gradient_dynamic
# import
import sys
from pathlib import Path
import numpy as np
import pandas as pd
import plotly.express as px
from PIL import Image # plotly 그래프로 출력하면 노트북 크기가 너무 커서 GitHub에 표시가 안됨. 그래서 이미지로 저장해서 표시하기 위해 사용함함# 블로그에 올리기 위해 plotly renderer의 설정이 필요하다.
import plotly.io as pio
pio.renderers.default = "notebook_connected" # constant
# 프로젝트 디렉토리 경로
k_dir_project = Path('.').absolute()
# 데이터 파일 저장 경로
k_dir_data = Path(r'C:\data\tosun\projects\20240725_venue\Logging\Bus')
if k_dir_data.exists():
print(f'{k_dir_data = }')
else:
print('No data directory found')
sys.exit(1)
# data 디렉토리에 feather 파일이 많이 있을 경우, 전체 feather 파일을 출력하여 확인한다.
feathers = list(k_dir_data.glob('*.feather'))
print('feathers = ')
for i, feather in enumerate(feathers, start=1):
print(f'{i}: {feather.name}')
# 1개 feather 파일을 대상으로 데이터를 처리한다.
i_feather = 0
feather = feathers[i_feather]
df = pd.read_feather(feather)k_dir_data = WindowsPath('C:/data/tosun/projects/20240725_venue/Logging/Bus')
feathers =
1: 20240725_venue2024_07_26_09_17_29.feathervehicle speed를 구한다.
df['vs'] = df[['ws_fl', 'ws_fr', 'ws_rl', 'ws_rr']].mean(axis=1)
fig_vs = px.line(df, x='ts', y='vs', title='차속', width=800)
fig_vs.write_image('vs.png')
display(Image.open('vs.png'))
그래프 확대
차속이 매끄럽지 않다.
매끄럽게 되도록 필터링을 한다.
전에 claude.ai가 작성한 칼만 필터 코드를 이용한다.
# 칼만 필터 구현
class KalmanFilter:
def __init__(self, initial_state, initial_estimate_error, measurement_noise, process_noise):
self.state = initial_state
self.estimate_error = initial_estimate_error
self.measurement_noise = measurement_noise
self.process_noise = process_noise
def update(self, measurement):
# 예측
prediction = self.state
prediction_error = self.estimate_error + self.process_noise
# 업데이트
kalman_gain = prediction_error / (prediction_error + self.measurement_noise)
self.state = prediction + kalman_gain * (measurement - prediction)
self.estimate_error = (1 - kalman_gain) * prediction_error
return self.statekf_vs = KalmanFilter(initial_state=0, initial_estimate_error=0.1, measurement_noise=3, process_noise=0.003)
df['vs_filt'] = np.array([kf_vs.update(x) for x in df['vs'].to_numpy()])
fig_vs_filt = px.line(df, x='ts', y=['vs', 'vs_filt'], title='vs: raw vs filtered', width=800)
fig_vs_filt.update_yaxes(title='차속')
fig_vs_filt.write_image('vs_filt.png')
display(Image.open('vs_filt.png'))
그래프 확대
위 필터링 정도가 적당해 보인다.
kf_vs = KalmanFilter(initial_state=0, initial_estimate_error=0.1, measurement_noise=3, process_noise=0.003)
df.tail(5)
ts
ws_fl
ws_fr
ws_rl
ws_rr
sas
yaw_rate
lat_accel
cyl_pres
long_accel
brake_state
vs
vs_filt
38511
383.89
0.0
0.0
0.0
0.0
-14.6
0.90
0.15
15.5
-0.50
3
0.0
0.003120
38512
383.90
0.0
0.0
0.0
0.0
-14.6
0.92
0.11
15.5
-0.50
3
0.0
0.003023
38513
383.91
0.0
0.0
0.0
0.0
-14.6
0.92
0.10
15.6
-0.53
3
0.0
0.002929
38514
383.92
0.0
0.0
0.0
0.0
-14.6
0.86
0.12
15.5
-0.57
3
0.0
0.002838
38515
383.93
0.0
0.0
0.0
0.0
-14.6
0.84
0.15
15.5
-0.57
3
0.0
0.002749
vs_filt가 완전히 0 kph가 되지 않는다. 바람직하지 않다. 내 용도에는 문제 없으리라 판단하여 진행한다.
a_long을 구한다.
k_kph_to_mps = 1000 / 3600
k_n_period = 50 # peroid = 10msec. k_n_period가 100이면, 1s 이다.
df['d_vs'] = df['vs_filt'].diff(periods=k_n_period).mul(k_kph_to_mps).fillna(0)
df['d_ts'] = df['ts'].diff(periods=k_n_period).bfill()
df['a_long'] = df['d_vs'].div(df['d_ts']) # 미분
# long_accel 그래프를 그려보니 너무 노이지하다.
# 제동 혹은 조향과 관계가 있는지 보기 위해 그래프에 brake_state와 sas를 추가한다.
# brake_state가 category 형이라 타입이 다른 vs, vs_filt와 한 그래프에 출력을 할 수 없단다.
df['brake_state'] = df['brake_state'].astype(int)
fig_a_long = px.line(df, x='ts', y=['long_accel', 'a_long', 'brake_state'],
title='종가속도: long_accel(센서) vs a_long(vs_filt에서 계산)', width=800)
fig_a_long.update_yaxes(title='종가속도/ brake_state')
fig_a_long.write_image('a_long.png')
fig_sas = px.line(df, x='ts', y='sas', title='조향각', width=800)
fig_sas.write_image('sas.png')
display(Image.open('vs_filt.png'))
display(Image.open('a_long.png'))
display(Image.open('sas.png'))
long_accel이 노이지한 것과 제동은 관계가 없어 보이고, 조향과 어느 정도 관계가 있어 보인다.
sas의 절대값이 작은 범위(= 직진)일 경우에만 경사도 계산을 해야겠다. 우선 현재 방식대로 끝까지 해본다.
vs가 0 kph인 구간에서 a_long은 0 m/sec^2이다. 맞다.
이 구간에서 a_long과 long_accel 사이의 차이는 노면 경사의 영향이다.
long_accel이 너무 노이지하다. 칼만 필터를 적용한다.
long_accel 필터하기
kf_long_accel = KalmanFilter(initial_state=0, initial_estimate_error=0.1, measurement_noise=5, process_noise=0.001)
df['long_accel_filt'] = np.array([kf_long_accel.update(x) for x in df['long_accel'].to_numpy()])
fig_long_accel_filt = px.line(df, x='ts', y=['long_accel', 'long_accel_filt'],
title='종가속도(측정): raw vs filtered', width=800)
fig_long_accel_filt.update_yaxes(title='종가속도')
fig_long_accel_filt.write_image('long_accel_filt.png')
display(Image.open('long_accel_filt.png'))
위 그림 정도의 필터링 정도가 적당해 보인다.
kf_long_accel = KalmanFilter(initial_state=0, initial_estimate_error=0.1, measurement_noise=5, process_noise=0.001)
경사도 구하기
경사도와 long_accel, a_long 사이의 관계는 아래 그림과 같다.
k_a_gravity = 9.81
df['gradient'] = np.tan((df['long_accel_filt'] - df['a_long']).div(k_a_gravity)) * 100
fig_long_accel_vs_a_long = px.line(df, x='ts', y=['long_accel_filt', 'a_long'],
title='종가속도: long_accel_filt(필터된 센서값) vs a_long(차속 미분값)',
width=800)
fig_long_accel_vs_a_long.update_yaxes(title='종가속도')
fig_long_accel_vs_a_long.write_image('long_accel_vs_a_long.png')
fig_gradient = px.line(df, x='ts', y=['gradient'], title='경사도 [%]', width=800)
fig_gradient.update_yaxes(title='경사도')
fig_gradient.write_image('gradient.png')
display(Image.open('long_accel_vs_a_long.png'))
display(Image.open('gradient.png'))
경사도를 구했다.
노이지한 부분들이 보인다.
실제 경사도가 위 그래프처럼 빠르게 변동하지는 않을 것이다.
경사도에 필터를 적용한다.
경사도를 필터한다.
kf_gradient = KalmanFilter(initial_state=0, initial_estimate_error=0.1, measurement_noise=100, process_noise=0.01)
df['gradient_filt'] = np.array([kf_gradient.update(x) for x in df['gradient'].to_numpy()])
fig_gradient_filt = px.line(df, x='ts', y=['gradient', 'gradient_filt', 'brake_state'],
title='경사도: raw vs filtered', width=800)
fig_gradient_filt.update_yaxes(title='경사도')
fig_gradient_filt.write_image('gradient_filt.png')
display(Image.open('gradient_filt.png'))
df.tail(5)
ts
ws_fl
ws_fr
ws_rl
ws_rr
sas
yaw_rate
lat_accel
cyl_pres
long_accel
brake_state
vs
vs_filt
d_vs
d_ts
a_long
long_accel_filt
gradient
gradient_filt
38511
383.89
0.0
0.0
0.0
0.0
-14.6
0.90
0.15
15.5
-0.50
3
0.0
0.003120
-0.003345
0.5
-0.006691
-0.538648
-5.427924
-5.968650
38512
383.90
0.0
0.0
0.0
0.0
-14.6
0.92
0.11
15.5
-0.50
3
0.0
0.003023
-0.003241
0.5
-0.006483
-0.538106
-5.424505
-5.963235
38513
383.91
0.0
0.0
0.0
0.0
-14.6
0.92
0.10
15.6
-0.53
3
0.0
0.002929
-0.003140
0.5
-0.006281
-0.537992
-5.425404
-5.957884
38514
383.92
0.0
0.0
0.0
0.0
-14.6
0.86
0.12
15.5
-0.57
3
0.0
0.002838
-0.003043
0.5
-0.006085
-0.538441
-5.431998
-5.952651
38515
383.93
0.0
0.0
0.0
0.0
-14.6
0.84
0.15
15.5
-0.57
3
0.0
0.002749
-0.002948
0.5
-0.005896
-0.538884
-5.438466
-5.947535
결론
센서로 측정한 종가속도와 바퀴 속도들에게 계산한 차속을 미분하여 주행 중 노면의 경사도를 구해보았다.
계산한 경사도가 얼마나 정확한지 판정하기 위해서는 실제 경사도 데이터가 필요하다. 현재 나는 이 정보가 없다.
경사도가 알려진 도로에서 다양한 가속도로 주행하며 데이터를 측정해서 계산법이 맞는지 검증을 해봐야겠다.
경사도를 제동 제어에 고려하여 제동 성능, 제동 안정성, 제동감(comfort, smoothness), 연비 개선을 이룰 수 없을까?
미니프로그램 아이디어
주행 중 실시간으로 경사도를 표시하도록 한다.
경사로에 차를 정차하여 경사도를 확인한다.
경사로를 오르며/내리며 데이터를 측정한다. 가속도를 바꿔가며 반복하여 데이터를 측정한다.
아마도 실시간으로 계산의 정확도를 확인할 수 있을 것이다.
데이터를 이용하여 경사도 계산법을 개선할 수 있을 것이다.
계산법과 데이터를 ai와 함께 검토하면, ai가 개선된 계산법을 만들어줄 수도 있을까?
참고
long_accel 필터
이동 평균
df['long_accel_filt'] = df['lat_accel'].rolling(window=50).mean()
fig_long_accel_ma = px.line(df, x='ts', y=['long_accel', 'long_accel_filt'],
title='종가속도: 센서 기준 vs 이동 평균', width=800)
fig_long_accel_ma.update_yaxes(title='종가속도')
fig_long_accel_ma.write_image('long_accel_ma.png')
display(Image.open('long_accel_ma.png'))
이동 평균 결과
