AROLA: A Modular Layered Architecture for Scaled Autonomous Racing

기술 요약: AROLA – 확장 가능한 자율 주행 레이싱을 위한 모듈형 계층 구조

문제 정의
RoboRacer(구 F1Tenth)와 같은 플랫폼을 중심으로 한 스케일드 자율 주행 레이싱 분야는 급격한 성장을 이루었습니다. 그러나 이러한 시스템을 위해 개발된 소프트웨어 스택은 종종 파편화되어 있고, 단일 구조(monolithic)이며, 특정 하드웨어나 경기 규칙에 강하게 결합되는 경-향이 있습니다. 이러한 모듈성의 결여는 재사용성을 저해하고, 연구 그룹 간의 공정한 벤치마킹을 복잡하게 만들며, 체계적인 평가를 어렵게 만듭니다. 엔드 투 엔드(end-to-end) 학습 방식이 대안을 제시하기도 하지만, 이는 종종 해석 가능성과 유지보수성을 희생합니다. 따라서 특정 메시지 정의에 의존하지 않고 인터페이스를 표준화하며, 교체 가능한 구성 요소를 허용하고, 재현 가능한 평가를 지원하는 개방형 계층 프레임워크가 절실히 필요합니다.

방법론
저자들은 표준화된 ROS 2 인터페이스를 통해 연결된 8개의 뚜렷하고 교체 가능한 계층으로 자율 주행 파이프라인을 분해하도록 설계된 모듈형 개방 계층 소프트웨어 아키텍처인 AROLA(Autonomous Racing Open Layered Architecture)를 제안합니다. 이 아키텍처는 모듈성을 보존하기 위해 보수적인 계층 간 상호작용을 유지하며 상향식 데이터 흐름을 따릅니다:

1. Sensing (감지): 온보드 센서를 통한 원시 환경 데이터의 획득.
2. Preprocessing (전처리): 노이즈를 줄이고 계산 오버헤드를 낮추기 위한 원시 데이터 스트림의 필터링, 정제 및 융합.
3. Perception (인지): 데이터에 의미론적 의미 부여 (예: 트랙 경계 및 장애물 식별).
4. Localization and Mapping (위치 추정 및 매핑): 차량의 포즈를 결정하고 지도를 구축하는 결합된 과정 (SLAM).
5. Planning (경로 계획): 인지 및 지도 데이터를 기반으로 실행 가능한 궤적 생성.
6. Behavior (행동): 차량이 무엇을 할지 결정하기 위한 의사 결정 로직 제어 (예: 상태 머신 또는 행동 트리 활용).
7. Control (제어): 경로 계획을 실행하고 구동 장치의 불완전성을 보상.
8. Actuation (구동): 하드웨어에 대한 명령의 물리적 실행.

체계적인 평가를 지원하기 위해, 저자들은 경량 ROS 2 기반 모니터링 프레임워크인 Race Monitor를 도입합니다. Race Monitor는 실시간 텔레메트리(랩 타임, 궤적 품질, 계산 부하)를 기록하고 evo 패키지를 사용하여 표준화된 사후 레이스 분석을 생성합니다. 이는 표준 ROS 2 토픽으로 데이터를 발행하여 컨트롤러가 결합 없이 구독할 수 있도록 하며, 다양한 궤적 형식(CSV, TUM, KITTI)을 지원합니다.

주요 기여
본 논문은 세 가지 주요 기여를 제시합니다:

1. AROLA: 구성 요소의 교체 가능성과 신속한 모듈 교체를 용이하게 하기 위해 표준 ROS 2 메시지 유형(LaserScan, Odometry, OccupancyGrid, AckermannDriveStamped)을 사용하여 인터페이스를 표준화한 모듈형 개방 계층 소프트웨어 아키텍처입니다.
2. Race Monitor: 객관적인 성능 평가, 궤적 오차 시각화 및 일관된 제어 전략 비교를 가능하게 하는 통합 실시간 모니터링 및 벤치마킹 스위트입니다.
3. Validation (검증): 시뮬레이션 환경과 물리적 하드웨어(RoboRacer 플랫폼) 모두에서 프레임워크에 대한 포괄적인 실험적 검증을 수행했습니다.

실험 결과
프레임워크는 2025 RoboRacer IV25 대회 준비 과정과 대회 후 실험을 통해 검증되었습니다:

• 컨트롤러 비교: 세 가지 컨트롤러(Gap Follower, Pure Pursuit, MPC)를 평가했습니다. Pure Pursuit는 중간 정도의 계산 부하(CPU 28%)와 제어 지연(18ms)을 기록하며 가장 빠른 랩 타임(최고 랩 타임 10.10초)을 달성하여, 낮은 저크(jerk)를 보인 MPC보다 속도 면에서 우수했습니다. Gap Follower는 가장 느렸지만 가장 반응적(reactive)이었습니다.
• 대회 성적: 최종 확정된 AROLA 구성은 10.1초의 랩 타임으로 RoboRacer IV25 대회에서 3위를 차지했습니다.
• LQR 평가: "Berlin Map"에서 수행된 LQR 컨트롤러의 사후 대회 평가를 통해 시스템의 상세한 메트릭 기록 능력을 입증했습니다. LQR 컨트롤러는 7랩을 완주하며 최고 시간 19.53초와 높은 일관성 점수(0.99)를 기록했으며, Race Monitor는 궤적 편차와 스케일 불일치를 성공적으로 식별했습니다.

의의 및 주장
저자들은 AROLA와 Race Monitor가 모듈성, 투명한 인터페이스, 그리고 체계적인 평가가 개발을 가속화하고 재현성을 향상시킬 수 있음을 입증한다고 주장합니다. 파편화된 설계를 표준화된 계층으로 재구성함으로써, 이 아키텍처는 고급 레이싱에 필요한 표현력을 유지하면서도 진입 장벽을 낮춥니다. 이 프레임워크를 통해 팀들은 전체 스택을 다시 설계하지 않고도 구성 요소(예: 컨트롤러 또는 인지 모듈 변경)를 교체할 수 있으며, 동일한 조건 하에서 전략 간의 편향 없는 비교를 수행할 수 있습니다. 본 논문은 이러한 접근 방식이 자율 주행 연구에서 빠른 반복 개발, 공정한 성능 평가 및 신뢰할 수 있는 확장을 위한 실질적인 토대를 제공한다고 결론짓습니다.

한계 및 향-후 과제
저자들은 현재의 평가가 잠재적인 모듈의 전체 범위보다는 제한된 컨트롤러 세트에 집중되어 있어 범위가 한정적임을 인정합니다. 시스템은 파이프라인 단계 간의 오차 전파에 취약할 수 있으며, 검증은 현재 특정 하드웨어 플랫폼에 집중되어 있습니다. 향-후 과제로는 좌표계 정렬을 위한 툴링 개선, 다양한 하드웨어 및 시뮬레이터로의 검증 확장, 실패 방지를 위한 와치독(watchdog) 시스템 개발, 그리고 Race Monitor를 위한 웹 기반 인터페이스 구축을 목표로 합니다. 또한, 표준화된 인터페이스를 유지하면서 모듈형 프레임워크 내에 학습 기반 또는 부분적 엔드 투 엔드 구성 요소를 통합하는 방안을 탐구할 계획입니다.