AROLA: A Modular Layered Architecture for Scaled Autonomous Racing

ملخص تقني: AROLA – بنية طبقية نمطية للسباقات الذاتية القيادة الموزعة

بيان المشكلة
شهد مجال السباقات الذاتية القيادة بمقاييس مصغرة، لا سيما على منصات مثل RoboRacer (المعروفة سابقاً باسم F1Tenth)، نمواً سريعاً. ومع ذلك، فإن الحزم البرمجية التي يتم تطويرها لهذه الأنظمة غالباً ما تعاني من التجزئة، والتصاميم المتجانسة (monolithic)، والارتباط الوثيق بأجهزة محددة أو قواعد تنافسية معينة. هذا النقص في النمطية يعيق إمكانية إعادة الاستخدام، ويعقد عملية التقييم العادل عبر المجموعات البحثية، ويجعل التقييم المنهجي أمراً صعباً. وبينما توفر مناهج التعلم من الطرف إلى الطرف (end-to-end learning) بدائل أخرى، إلا أنها غالباً ما تضحي بالقدرة على التفسير والاستمرارية. هناك حاجة ماسة لإطار عمل مفتوح وطبقي يعمل على توحيد الواجهات، ويسمح بمكونات قابلة للتبديل، ويدعم التقييم القابل للتكرار دون الاعتماد على تعريفات رسائل مخصصة.

المنهجية
يقترح المؤلفون AROLA (بنية الطبقات المفتوحة للقيادة الذاتية)، وهي بنية برمجية نمطية ذات طبقات مفتوحة، مصممة لتفكيك خط معالجة القيادة الذاتية إلى ثماني طبقات متميزة وقابلة للتبديل، متصلة عبر واجهات ROS 2 معيارية. تتبع البنية تدفق بيانات من الأعلى إلى الأسفل مع تفاعلات متحفظة بين الطبقات للحفاظ على النمطية:

1. الاستشعار (Sensing): الحصول على البيانات البيئية الخام عبر مستشعرات مثبتة على متن المركبة.
2. المعالجة المسبقة (Preprocessing): تصفية وتنظيف ودمج تدفقات البيانات الخام لتقليل الضوضاء والأعباء الحسابية.
3. الإدراك (Perception): إسناد معنى دلالي للبيانات (مثل تحديد حدود المسار والعوائق).
4. التوطين ورسم الخرائط (Localization and Mapping): عملية مقترنة (SLAM) لتحديد وضعية المركبة وبناء الخرائط.
5. التخطيط (Planning): توليد مسارات قابلة للتنفيذ بناءً على بيانات الإدراك والخريطة.
6. السلوك (Behavior): إدارة منطق اتخاذ القرار (مثل استخدام آلات الحالة أو أشجار السلوك) لتحديد ما يجب أن تفعله المركبة.
7. التحكم (Control): تنفيذ خطط الحركة والتعويض عن عيوب التشغيل.
8. التشغيل (Actuation): التنفيذ الفيزيائي للأوامر على الأجهزة.

لدعم التقييم المنهجي، قدم المؤلفون Race Monitor، وهو إطار مراقبة خفيف الوزن يعتمد على ROS 2. يقوم Race Monitor بتسجيل البيانات عن بُعد في الوقت الفعلي (أوقات اللفات، جودة المسار، الحمل الحسابي) ويولد تحليلات معيارية لما بعد السباق باستخدام حزمة evo. يقوم النظام بنشر البيانات إلى مواضيع (topics) ROS 2 القياسية، مما يسمح للمتحكمات بالاشتراك دون إحداث ارتباط وثيق، ويدعم تنسيقات مسارات متنوعة (CSV, TUM, KITKI).

المساهمات الرئيسية
يقدم البحث ثلاث مساهمات رئيسية:

1. AROLA: بنية برمجية نمطية ذات طبقات مفتوحة تعمل على توحيد الواجهات (باستخدام أنواع رسائل ROS 2 القياسية مثل LaserScan و Odometry و OccupancyGrid و AckermannDriveStamped) لتسهيل تبديل المكونات والاستبدال السريع للنماذج.
2. Race Monitor: مجموعة متكاملة للمراقبة والقياس المرجعي في الوقت الفعلي، تمكن من التقييم الموضوعي للأداء، وتصور أخطاء المسار، والمقارنة المتسقة لاستراتيجيات التحكم.
3. التحقق (Validation): تحقق تجريبي شامل للإطار في كل من البيئات المحاكية وعلى الأجهزة المادية باستخدام منصة RoboRacer.

النتائج التجريبية
تم التحقق من صحة الإطار خلال التحضير لمسابقة 2025 RoboRacer IV25 وفي تجارب ما بعد المسابقة:

• مقارنة المتحكمات: تم تقييم ثلاثة متحكمات (Gap Follower، و Pure Pursuit، و MPC). حقق Pure Pursuit أسرع أوقات اللفات (أفضل لفة بلغت 10.10 ثانية) مع حمل حسابي متوسط (28% من المعالج) وزمن انتقال تحكم (18 مللي ثانية)، متفوقاً على MPC في السرعة رغم أن MPC كان أقل في حدة الارتجاج (jerk). كان Gap Follower هو الأبطأ ولكنه الأكثر استجابة.
• أداء المسابقة: ضمنت تهيئة AROLA النهائية المركز الثالث في مسابقة RoboRacer IV25 بزمن لفة قدره 10.1 ثانية.
• تقييم LQR: أظهر تقييم ما بعد المسابقة لمتحكم LQR على "خريطة برلين" (Berlin Map) قدرة النظام على تسجيل مقاييس تفصيلية. أكمل متحكم LQR سبع لفات بأفضل زمن قدره 19.53 ثانية ومعامل اتساق عالٍ (0.99)، حيث نجح Race Monitor في تحديد انحرافات المسار وعدم محاذاة القياس.

الأهمية والادعاءات
يدعي المؤلفون أن AROLA و Race Monitor يثبتان أن النمطية، والواجهات الشفافة، والتقييم المنهجي يمكن أن تسرع التطوير وتحسن قابلية التكرار. من خلال إعادة تنظيم التصاميم المجزأة إلى طبقات معيارية، تخفض هذه البنية حاجز الدخول مع الحفاظ على القدرة التعبيرية اللازمة للسباقات المتقدمة. يسمح الإطار للفرق باستبدال المكونات (مثل تغيير المتحكمات أو نماذج الإدراك) دون إعادة صياغة الهيكل بالكامل، ويمكّن المقارنة غير المنحازة للاستراتيجيات تحت ظروف متطابقة. ويخلص البحث إلى أن هذا النهج يوفر أساساً عملياً للتكرار السريع، والتقييم العادل للأداء، والتوسع الموثوق في أبحاث السباقات الذاتية.

القصور والعمل المستقبلي
يقر المؤلفون بأن التقييم الحالي محدود النطاق، حيث يركز بشكل أساسي على مجموعة صغيرة من المتحكمات بدلاً من النطاق الكامل للنماذج المحتملة. لا يزال النظام عرضة لانتشار الخطأ عبر مراحل خط المعالجة، والتحقق متمحور حالياً حول منصة أجهزة محددة. يهدف العمل المستقبلي إلى تحسين أدوات محاذاة إطار الإحداثيات، وتوسيع نطاق التحقق ليشمل أجهزة ومحاكيات متنوعة، وتطوير نظام مراقبة (watchdog) لمنع الفشل، وإنشاء واجهة قائمة على الويب لـ Race Monitor. بالإضافة إلى ذلك، يخطط المؤلفون لاستكشاف دمج المكونات القائمة على التعلم أو مكونات "الطرف إلى الطرف" الجزئية ضمن الإطار النمطي مع الحفاظ على الواجهات المعيارية.