End2Race: An End-to-End Learning Framework for Multi-Vehicle Autonomous Racing
이 논문은 밀리초 미만의 추론 지연 시간을 달성하고, 일대일 경쟁에서 견고한 일반화, 고속 주행 및 적응형 추월을 입증함으로써 기존의 규칙 기반 및 단일 차량 학습 방식보다 뛰어난 성능을 보이는 다중 차량 자율 레이싱을 위한 엔드 투 엔드 학습 프레임워크인 End2Race를 소개한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
자율주행 자동차의 세계는 흔히 차량이 정지 표지판이나 보행자를 인식하기만 하면 되는, 직선 고속도로를 따라 달리는 조용한 여정으로 상상되곤 합니다. 하지만 자율 주행 시스템의 지능을 시험하는 진정한 무대는 레이스 트랙의 혼돈 속에 있습니다. 이곳에서 차량들은 고속으로 이동하며, 찰나의 지연이 깔끔한 추월과 충돌 사이의 차이를 만들 수 있는 역동적인 환경 속에서 서로에게 끊임없이 반응합니다. 값비싼 실제 자동차를 파손할 위험 없이 이 고도의 긴장감이 흐르는 환경을 연구하기 위해, 연구자들은 F1Tenth라고 알려진 축소된 플랫폼을 사용합니다. 이것은 실제 자동차 크기의 10분의 1 수준이며, 레이더처럼 주변을 스캔하는 센서를 갖추고 있어 초당 18미터에 달하는 속도로 트랙을 주행할 수 있습니다. 과제는 단순히 빠르게 달리는 것이 아니라, 언제 속도를 높이고, 언제 줄이며, 경쟁 차량과 부딪히지 않고 어떻게 틈을 비집고 지나갈지에 대한 복잡한 결정을 내리면서도 빠르게 달리는 것입니다.
수년 동안 이러한 레이싱 경연 대회에서 가장 성공적인 전략들은 경직되고 미리 프로그래밍된 규칙들에 의존해 왔습니다. 엔지니어들은 경주가 시작되기 전에 트랙의 디지털 지도를 구축하여 차량이 따라야 할 완벽한 경로를 계산합니다. 이는 알려진 트랙에서는 잘 작동하지만, 차량이 새로운 레이아웃이나 예상된 경로를 따르지 않는 경쟁자를 마주하는 순간 실패하게 됩니다. 다른 방법들은 차량이 지금 보고 있는 것에 즉각적으로 반응하려고 시도하지만, 종종 매끄러운 기동을 계획할 수 있는 예견 능력이 부족하여 급격하고 불안정한 주행으로 이어지곤 합니다. 세 번째 접근 방식은 컴퓨터가 전문가를 관찰하거나 시행착오를 통해 학습하는 머신 러닝을 사용합니다. 그러나 이러한 학습 시스템 대부분은 단일 차량이 혼자 주행하는 환경에서만 테스트되었거나, 실시간으로 반응하기에는 너무 느려 경쟁력을 갖추기에는 너무 낮은 속도로 주행해야만 했습니다. 그 간극은 존재했습니다. 즉, 누구도 컴퓨터에게 고속으로 다른 차량과 맞붙어 레이스를 펼치며 즉각적으로 반응하는 법을 성공적으로 가르치지 못했습니다.
이 간극을 메우기 위해, 연구팀은 End2Race라는 새로운 시스템을 도입했습니다. 이 프레임워크는 인간 운전자가 학습하는 방식, 즉 먼저 전문가를 관찰한 다음 스스로 연습하는 방식을 모방하여, 자율 주행차가 실시간으로 다른 차량을 추월하는 법을 가르치도록 설계되었습니다. 연구진은 '에고 차량(ego vehicle)'이라 불리는 차량이 상대 차량과 짝을 이루는 가상 훈련장을 구축했습니다. 그들은 상대 차량이 다양한 경로와 속도로 주행하도록 설정된 720개의 뚜렷한 시나리오를 생성하여, 학습하는 차량이 어떻게 틈을 찾아내고, 그 안으로 움직이며, 안전하게 추월할지를 파악하도록 강제했습니다. 이 시스템은 트랙의 미리 그려진 지도에 의존하지 않습니다. 대신, 센서로부터 얻은 가공되지 않은 데이터와 자체 엔진의 속도만을 바탕으로 주행하는 법을 배웁니다.
이 시스템의 핵심은 패턴을 인식하도록 설계된 컴퓨터 프로그램의 일종인 신경망이며, 이는 매우 빠르게 작동하도록 구축되었습니다. 자율 주행 레이싱의 세계에서 시간은 밀리초 단위로 측정되며, 단 0.1초의 지연만으로도 차량이 코너를 놓치거나 충돌할 수 있습니다. 연구진은 레이스의 급격한 변화를 따라잡을 수 있을 만큼 빠른 속도인 1밀리초 미만 내에 결정을 내릴 수 있도록 네트워크를 설계했습니다. 이 네트워크를 훈련시키기 위해, 연구진은 먼저 컴퓨터가 720개의 8초짜리 전문가 시연을 분석하여 조향과 속도의 기초를 배우는 '행동 복제(behavioral cloning)' 기법을 사용했습니다. 그러나 단순히 전문가를 복사하는 것만으로는 충분하지 않았는데, 전문가가 때때로 실수를 하거나 움직이는 상대의 예측 불가능한 특성에 적응하지 못했기 때문입니다. 이를 해결하기 위해 연구진은 컴퓨터가 이러한 시나리오들을 통해 500번의 자가 레이스를 수행하도록 했으며, 여기에는 '강화 학습(reinforcement learning)'이라는 기술이 사용되었습니다. 이 단계에서 차량은 앞으로 빠르게 나아갈 때 보상을 받고 충돌할 때 벌칙을 받음으로써, 스스로 전략을 정교화하고 전문가가 경험하지 못한 상황을 다루는 법을 배웠습니다.
이 훈련의 결과는 놀라웠습니다. 한 번도 본 적 없는 트랙에서 테스트했을 때, 학습된 차량은 평균 8.5미터 이상의 속도로 주행할 수 있었는데, 이는 종종 3미터 미만의 속도로 제한되었던 이전의 학습 기반 방식들보다 현저히 빠른 수치였습니다. 더 중요한 것은, 상대 차량과 맞붙은 레이스에서 이 새로운 시스템이 거의 97%의 시도에서 라이벌을 추월하는 데 성공했으며, 약 98%의 안전 기록을 유지했다는 점입니다. 이 성능은 잦은 충돌을 일으키거나 아예 상대를 추월하지 못했던 기존의 규칙 기반 시스템 및 다른 학습 방법들보다 훨씬 우수했습니다. 시스템은 상대 차량이 장애물을 피하기 위해 다른 알고리즘을 사용하는 등 컴퓨터가 이전에 본 적 없는 방식으로 주행하더라도 적응할 수 있음을 입증했습니다.
연구진은 또한 차량이 정확히 어떻게 결정을 내리는지도 조사했습니다. 한 시나리오에서 차량은 전방의 느린 상대 차량을 포착하고, 틈에 맞춰 위치를 잡기 위해 부드럽게 옆으로 이동한 뒤, 추월을 위해 가속합니다. 또 다른 시나리오에서는 제어력을 유지하기 위해 급격한 코너 직전에 약간 브레이크를 밟은 다음, 코너를 빠져나오자마자 강하게 가속하는데, 이는 전문 인간 레이서들이 사용하는 기술을 모방한 것입니다. 시스템이 완벽한 것은 아니었습니다. 두 차량이 나란히 달리는 동안 트랙이 갑자기 좁아지는 드문 경우, 컴퓨터가 트랙의 미래 형태를 예측하지 못해 충돌하기도 했습니다. 그러나 이러한 실패는 다른 방법들에 비해 훨씬 적었으며, 전반적인 성과는 차량이 견고하고 적응력 있는 주행 스타일을 학습했음을 보여주었습니다.
이 연구는 자율 레이싱, 그리고 잠재적으로 고속 자율 주행 일반의 미래가 정적인 규칙에 의존하기보다는 경험으로부터 학습할 수 있는 시스템에 달려 있음을 시사합니다. 빠르고 효율적인 신경망과 2단계 훈련 과정을 결합함으로써, 연구진은 기계가 이전에는 도달할 수 없었던 수준의 속도와 안전성을 갖추고 복잡하고 역동적인 상호작용을 탐색하는 법을 배울 수 있음을 보여주었습니다. 이 시스템은 어디로 가야 할지 알기 위해 지도가 필요하지 않습니다. 그저 세상을 보고, 교통의 흐름을 이해하며, 눈 깜짝할 사이에 반응하기만 하면 됩니다. 연구진이 다른 팀들과의 실제 경연 대회에서 이 시스템을 테스트할 준비를 함에 따라, 그 영향력은 레이스 트랙을 넘어 자율 주행 차량이 언젠가 공유 도로의 예측 불가능한 혼돈을 어떻게 자신감 있고 숙련되게 다룰 수 있을지에 대한 통찰을 제공합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.