본 논문은 지능형 차량의 정확한 상태 추정을 위해 휠 로드 추정 문제를 해결하고자 한다. 특히 휠 로드는 ADAS의 핵심 입력이며, 차량 안정성과 안전에 직접적인 영향을 미친다. 이를 위해 복잡한 섀시 모델링과 비선형 시스템의 노이즈 민감성을 고려하여, 정밀한 서스펜션 링크 수준의 모델링 접근 방식을 도입한다. 또한, 댐퍼 특성을 기반으로 하는 Bayesian Physics-Informed Neural Network (Damper-B-PINN) 프레임워크를 제안하여 동적 휠 로드를 추정한다. Damper-B-PINN은 서스펜션 역학을 PINN의 물리적 지침으로 활용하고 Bayesian 추론을 통해 시스템 노이즈 및 불확실성의 영향을 완화한다. 댐퍼 특성 물리 조건화(DPC) 모듈을 설계하여 물리적 사전 정보를 통합한다. CarSim 시뮬레이션 데이터와 Formula Student 레이스카의 실제 데이터셋을 사용하여 Damper-B-PINN의 성능을 평가하며, 기존 방법보다 우수한 성능을 보임을 입증한다.
