Since global companies such as Google had recently commercialized the autonomous driving vehicles, research towards the autonomous driving has been actively conducted over the last decade. However, the technology of handling fatalities in risky driving situations is still insufficient and most customers are concerned about the safety of autonomous vehicles. To resolve this safety problem, autonomous vehicles are required to detect potential dangers in future situations and mitigate accidents in advance. In addition, the future uncertainty should be considered because a deterministic single output cannot represent uncertain future properly. Therefore, it is essential to have a reliable probabilistic prediction algorithm which can foresee vehicle motions in the future and handle future uncertainties. This thesis proposes the probabilistic motion prediction algorithm that can accurately computes the probabilities of multiple target lanes and trajectories of surrounding vehicles by using the artificial neural network; more specifically radial base function network (RBFN). RBFN prediction algorithm can estimate the future uncertainty in the categorical distribution of which lane the vehicle is going to arrive in near future in a probabilistic manner and can represent multiple future trajectories in parallel in order to handle the uncertainties of future position. In order to demonstrate and verify the effectiveness of the proposed prediction algorithm, it is applied for the longitudinal collision avoidance control problem. Since the proposed RBFN prediction algorithm represents future uncertainties, chance constrained model predictive control (CCMPC) is utilized because the collision chance constraints in CCMPC deal with the uncertainty of collision based on the future uncertainty. The RBFN-based CCMPC simulation is conducted for several risky cut-in scenarios and compared with the Interactive Multiple Model (IMM)-based prediction algorithm. Simulation results show that the RBFN-based CCMPC uses smaller inputs for collision avoidance but achieves higher comforts when compared to the IMM-based CCMPC. In addition, owing to the 1.1 seconds earlier predictions, RBFN-based CCMPC achieves higher collision success rate than the IMM-based CCMPC, and thus can guarantee higher safety margins for all levels of defensive driving
최근 글로벌 자동차 업계에서 자율주행의 상용화 계획을 발표와 더불어 운전자지원시스템은 물론 자율주행 기술개발이 매우 활발하게 진행 중이다. 하지만 도로 내 차량 움직임 예측의 낮은 정확성 때문에 첨단주행시스템을 위한 충돌회피 안전 기술은 여전히 충분한 신뢰성을 얻지 못하고 있다. 이러한 문제를 해결하기 위해 미래 상황의 잠재적인 위험을 먼저 판단하여 감속 또는 충돌회피 동작수행으로 위험을 대처하기 위한 주변차량의 미래 움직임 예측 기술이 필수적이다. 하지만 차량의 미래 움직임에 대한 불확실성을 고려하지 않을 시 주변차량이 예측된 경로와 다른 방향으로 움직일 경우 충돌 예측이 어려워진다. 그러므로 위 논문에서는 방사형 기초 함수 신경망을 통하여 목표 차선의 확률과 궤적을 예측하는 확률론적 거동 예측 알고리즘을 제안하고자 한다. 제안된 알고리즘은 주변차량이 접근하려고 하는 목표차선의 예측을 각 차선의 확률로 추정함으로써 미래의 불확실성을 표현할 수 있다. 뿐만 아니라 제안된 예측 알고리즘은 운전자는 궁극적으로 차선을 따라 주행한다는 가정아래 효율적으로 차선 중심으로 정의된 궤적을 예측한다. 또한 본 논문에서는 제안된 알고리즘을 기반으로 전방에 끼어드는 차량에 대한 충돌 회피를 위한 확률론적 종방향 예측 제어 알고리즘 수행 결과를 다루고 있다. 종방향 충돌 회피 문제를 확률론적 모델 예측 제어를 적용하였을 때 종방향 제어 알고리즘이 선제적으로 위험의 정도를 판단하여 충돌회피가 가능한 최적의 제어 입력을 결정할 수 있게 된다. 뿐만 아니라 제어 알고리즘이 확률론적 안전 제약 조건을 포함하고 있어 설계 변수 조정함으로써 미래 불확실성을 적절히 제어판단에 적절히 반영할 수 있고 나아가 방어적 또는 공격적인 운전성향을 조절할 수 있다. 제안된 알고리즘의 우수성을 입증하기 위해 주변차량의 차선 변경 시나리오에 대한 시뮬레이션을 이행하였으며 상호작용적 다중 모델 필터에 기반한 최신 차량 움직임 예측 알고리즘과 성능을 비교하여 성능 평가를 하였다. 최종적으로 제안된 예측 알고리즘을 사용한 종방향 충돌 회피 시스템이 보다 낮은 입력값과 우수한 체감 승차감으로 충돌회피가 가능함을 입증되었다. 또한 제안된 알고리즘이 차선 변경을 1.1초 가량 먼저 예측이 가능하기 때문에 방어 운전뿐만 아니라 공격적 운전에서도 높은 충돌 회피 성공률을 기록하면서 안전을 보장할 수 있음을 보였다
