차선 유지 보조(LKA, Lane Keeping Assist) 시스템의 핵심은 차량이 목표 차선 중심으로부터 벗어난 오차를 실시간으로 보정하는 것입니다. 이를 위해 PID(비례-적분-미분) 제어기를 적용하면, 운전자가 핸들을 미세하게 조작하는 과정을 수학적으로 모델링할 수 있습니다. 본 글에서는 파이썬을 사용하여 폐루프 시뮬레이션 환경을 구축하고, PID 게인 튜닝이 조향각에 미치는 영향을 분석합니다.
PID 제어기 및 적분 풍지(Anti-windup) 구현
LKA 시스템에서 적분 항은 지속적인 편향 오차를 제거하는 데 필수적이지만, 큰 오차가 장시간 유지될 경우 적분 값이 과도하게 누적되는 적분 풍지(Integral Windup) 현상이 발생할 수 있습니다. 이를 방지하기 위해 적분 항에 물리적 제한(Limit)을 두는 것이 중요합니다.
class LaneKeepingPID:
def __init__(self, K_p, K_i, K_d, delta_t, integral_limit=5.0):
self.K_p = K_p
self.K_i = K_i
self.K_d = K_d
self.delta_t = delta_t
self.integral_limit = integral_limit
self.accumulated_error = 0.0
self.last_error = 0.0
def calculate_steering(self, current_error):
# Proportional term
p_term = self.K_p * current_error
# Integral term with anti-windup clamping
self.accumulated_error += current_error * self.delta_t
self.accumulated_error = max(-self.integral_limit, min(self.integral_limit, self.accumulated_error))
i_term = self.K_i * self.accumulated_error
# Derivative term
d_term = self.K_d * (current_error - self.last_error) / self.delta_t
self.last_error = current_error
return p_term + i_term + d_term
운동학적 자전거 모델(Kinematic Bicycle Model) 기반 차량 동역학
차량의 거동을 시뮬레이션하기 위해 복잡한 타이어 역학 대신 계산 효율이 높은 운동학적 자전거 모델을 사용합니다. 전륜 조향각을 기반으로 차량의 요(Yaw) 각도와 위치를 갱신합니다.
import numpy as np
class KinematicBicycleModel:
def __init__(self, wheelbase_length=2.7):
self.pos_x = 0.0
self.pos_y = 0.0
self.heading_angle = 0.0
self.wheelbase_length = wheelbase_length
def step(self, steering_angle, velocity, time_step):
# Update heading based on bicycle kinematics
angular_velocity = (velocity / self.wheelbase_length) * np.tan(steering_angle)
self.heading_angle += angular_velocity * time_step
# Update position coordinates
self.pos_x += velocity * np.cos(self.heading_angle) * time_step
self.pos_y += velocity * np.sin(self.heading_angle) * time_step
return self.pos_x, self.pos_y
폐루프 시뮬레이션 및 조향각 제한
실제 물리적 한계를 고려하여 조향각에 최대값을 설정하고, 목표 차선 중심과의 횡방향 오차를 기반으로 제어 루프를 실행합니다. 시뮬레이션 단계별 시간 간격은 시스템 안정성을 위해 0.02초 내외로 설정하는 것이 적합합니다.
def run_lka_simulation():
controller = LaneKeepingPID(K_p=1.2, K_i=0.005, K_d=0.3, delta_t=0.02)
vehicle = KinematicBicycleModel()
target_lateral_position = 0.0
simulation_steps = 500
time_step = 0.02
constant_velocity = 15.0 # m/s
for step in range(simulation_steps):
lateral_error = target_lateral_position - vehicle.pos_y
steering_command = controller.calculate_steering(lateral_error)
# Limit steering angle for physical realism (e.g., max 30 degrees)
max_steer_rad = np.radians(30)
steering_command = np.clip(steering_command, -max_steer_rad, max_steer_rad)
vehicle.step(steering_command, constant_velocity, time_step)
게인 튜닝 전략 및 속도 의존성
효과적인 튜닝을 위해 초기에는 적분과 미분 항을 배제하고 비례(P) 제어만으로 차량이 차선 내에서 수렴하는지 확인합니다. 이후 미분(D) 항을 추가하여 오버슈트(Over-shoot)를 억제하고, 마지막으로 곡선 도로 등에서 정상 상태 오차를 줄이기 위해 적분(I) 항을 신중하게 추가합니다.
차량 속도가 증가하면 동일한 게인 값으로도 시스템이 불안정해질 수 있습니다. 이를 해결하기 위해 속도에 따라 게인을 매핑하는 게인 스케줄링(Gain Scheduling)을 적용하거나, 인간 운전자의 시야를 모방하여 전방 일정 거리를 미리 참조하는 프리뷰(Preview) 제어를 도입할 수 있습니다.
센서 노이즈 완화를 위한 저역 통과 필터(LPF)
실제 환경에서는 카메라 기반 차선 인식 시 지연 시간과 노이즈가 발생합니다. 이를 완화하기 위해 오차 신호 입력단에 1차 저역 통과 필터를 적용하여 고주파 떨림을 억제합니다.
class FirstOrderLowPassFilter:
def __init__(self, time_constant, sample_time):
self.smoothing_factor = sample_time / (time_constant + sample_time)
self.previous_output = 0.0
def apply_filter(self, raw_input):
current_output = (self.smoothing_factor * raw_input) + \
((1.0 - self.smoothing_factor) * self.previous_output)
self.previous_output = current_output
return current_output
저역 통과 필터를 적용하면 카메라 노이즈로 인한 조향각의 진동을 크게 줄일 수 있습니다. 단, 필터링으로 인한 위상 지연(Phase delay)이 발생하므로 PID 게인을 다시 조정해야 합니다. 또한, 순수 PID 제어만으로는 해결하기 어려운 특수 상황(예: 차선 이탈 임박, 급커브)에서는 휴리스틱 기반의 조건부 제어 로직을 결합하는 것이 실제 배포 환경에서 더 안정적인 성능을 보장합니다.