LPV-MPC for Lateral Control in Full-Scale Autonomous Racing

1. 문제 정의 (Problem Statement)

자율 주행 레이싱은 차량의 물리적 한계에서 작동해야 하므로, 기존 자율 주행 제어 전략보다 훨씬 높은 수준의 정밀성과 강건성이 요구됩니다. 특히 시속 160 마일 (약 71.5 m/s) 을 초과하는 고속 주행 환경에서는 다음과 같은 주요 도전 과제가 존재합니다.

• 비선형 동역학 및 모델 불확실성: 고속에서의 타이어 미끄러짐 (slip), 타이어 - 도로 마찰 계수 변화, 그리고 종 - 횡방향 동역학의 복잡한 결합은 모델링 오차를 증가시킵니다.
• 계산적 제약: 온보드 시스템의 제한된 컴퓨팅 자원 내에서 실시간으로 최적의 제어 입력을 생성해야 합니다.
• 제한된 실증 기회: 레이싱 대회 (예: Indy Autonomous Challenge, IAC) 의 특성상 연습 시간과 트랙 접근성이 극도로 제한되어, 사전에 정밀한 파라미터 튜닝과 시스템 검증이 어렵습니다.
• 기존 제어기의 한계: 기하학적 기반 방법 (Pure Pursuit 등) 은 미끄러짐이 없는 조건을 가정하여 고속 레이싱에는 부적합하며, 기존 MPC 접근법들은 종종 일정한 종속 속도를 가정하거나 경사 (banking) 효과를 고려하지 않아 고속 코너링 시 안정성을 보장하기 어렵습니다.

2. 방법론 (Methodology)

이 논문은 Indiana University-Luddy Autonomous Racing Team (IU-LART) 이 개발한 선형 가변 파라미터 모델 예측 제어 (LPV-MPC) 프레임워크를 제안합니다.

A. 차량 동역학 모델링

• 단일 트랙 (Single-Track) 모델: 차량을 질량 $m$과 요 관성 $I_z$를 가진 강체로 모델링합니다.
• 상태 변수 확장: 기존 횡방향 오차 ($e_y, \dot{e}_y, e_\psi, \dot{e}_\psi$) 에 **조향 각 ($\delta$)**을 상태 변수로 추가하여, 조향 액추에이터의 동역학과 제약 조건 (조향 속도 제한 등) 을 명시적으로 처리합니다.
• 외란 보상: 트랙의 경사 (banking angle, $\phi$) 가 횡방향 안정성에 미치는 중력 성분을 모델에 통합하여, 코너링 시 필요한 횡력을 더 정확하게 예측합니다.
• 시스템 식별: 타이어의 코너링 강성 (Cornering Stiffness, $C_f, C_r$) 을 추정하기 위해 기대값 최대화 (EM) 알고리즘을 사용하여 Pacejka 타이어 모델 파라미터를 비선형 최소 제곱법으로 최적화합니다. 이를 통해 선형 동역학 모델을 도출합니다.

B. LPV-MPC 설계

• 가변 파라미터 (Scheduling Parameters): 제어기는 주행 속도 ($v_x$), 경로 곡률 ($\kappa$), 도로 경사 ($\phi$) 를 실시간으로 측정하여 시스템 행렬을 업데이트하는 LPV 구조를 가집니다. 이는 고정된 모델 가정의 한계를 극복하고 다양한 주행 조건에 적응하게 합니다.
• 최적 제어 문제 (OCP):
  • 목적 함수: 경로 추종 오차, 제어 입력 노력, 그리고 **측면 미끄러짐 각 (side-slip angle, $\beta$)**에 대한 패널티를 포함합니다. 측면 미끄러짐 패널티는 차량의 안정성을 높이는 데 핵심적입니다.
  • 제약 조건: 조향 각도 및 조향 속도 제한, 차량 동역학 방정식을 포함합니다.
• 구현: acados 라이브러리를 사용하여 실시간 반복 순차 이차 계획법 (SQP-RTI) 으로 문제를 해결하며, 예측 구간 (Horizon) 은 1.6 초 (45 단계) 로 설정되었습니다.

C. 시스템 아키텍처

• 분리형 제어: 종방향 제어 (PID 기반) 와 횡방향 제어 (LPV-MPC) 를 분리하여 구현했습니다.
• 안전 장치: 최적화 실패 시를 대비하여 백업으로 Pure Pursuit (PP) 컨트롤러를 운영합니다.
• 하드웨어: IAC AV-24 레이싱 카 (dSPACE Autera AutoBox, Intel Xeon CPU, NVIDIA A5000 GPU) 에서 Ubuntu 22.04 및 ROS2 기반으로 구동됩니다.

3. 주요 기여 (Key Contributions)

1. 고속 자율 레이싱용 LPV-MPC 프레임워크 제안: 종속 속도, 경로 곡률, 도로 경사를 스케줄링 파라미터로 활용하여 고속 주행 환경에 최적화된 횡방향 제어기를 설계했습니다.
2. 실제 레이싱 차량에서의 검증: 제한된 연습 시간과 높은 비용에도 불구하고, 실제 IAC 대회 (Las Vegas Motor Speedway, 2025 년 1 월) 에서 시속 163 마일 (72 m/s) 이상의 속도로 안정적인 주행 성능을 입증했습니다.
3. 시스템 식별 및 파라미터 추정 기법: 실제 주행 데이터 (IMU 등) 를 기반으로 타이어 동역학 파라미터를 정밀하게 추정하는 방법론을 제시했습니다.
4. 오픈 소스 공개: 연구 커뮤니티의 발전을 위해 Python 기반의 전체 프레임워크 (acados 연동) 를 오픈 소스로 공개했습니다.

4. 실험 결과 (Results)

• 주행 성능:
  • 최종 대회에서 12 바퀴의 고속 주행 라운드를 수행했습니다.
  • 최고속도: 163.1 mph (72 m/s) 기록.
  • 최고 랩 타임: 34.18 초 (평균 속도 157.98 mph).
  • 추종 오차: 평균 횡방향 오차 (Cross-track error) 약 -1.02m (기준선 기준 좌측 편향), 요 오차 (Heading error) 는 ±1 도 이내로 유지되었습니다.
• 동역학 분석:
  • 최대 2 도의 슬립 각 (slip angle) 에서도 차량이 안정적으로 주행했으며, 최대 횡가속도는 27 m/s²에 달했습니다.
  • 모델 오차 분석 결과, 55 m/s 이상에서는 오차가 약 0.06m 로 안정화되었으나, 급격한 가속 시 종 - 횡방향 결합 효과로 인해 오차가 일시적으로 증가하는 현상이 관찰되었습니다.
• 실시간 성능:
  • 제어 루프의 평균 계산 시간은 5.78 ms였으며, 10 ms 사이클 내에서 안정적으로 동작하여 100 Hz 제어 주파수 달성 가능성을 입증했습니다.

5. 의의 및 한계 (Significance & Limitations)

• 의의:
  • 이 연구는 전체 규모 자율 레이싱 차량에서 LPV-MPC 가 시속 160 마일 이상의 극한 환경에서도 유효한 제어 전략임을 실증적으로 증명했습니다.
  • 제한된 연습 시간과 불완전한 모델 정보 하에서도 안정적인 주행이 가능함을 보여주어, 실제 자율 주행 시스템의 신뢰성 향상에 중요한 통찰을 제공합니다.
  • 공개된 오픈 소스 코드는 향후 자율 레이싱 연구의 벤치마킹 도구로 활용될 수 있습니다.
• 한계 및 향후 과제:
  • 횡방향 오차: 하드웨어의 조향 오프셋과 차량의 비대칭 무게 분포가 모델에 반영되지 않아 일정한 횡방향 오차가 발생했습니다.
  • 선형 모델의 제약: LPV 모델은 타이어의 비선형 영역을 완전히 포착하지 못하며, 종 - 횡방향 동역학의 상호 작용을 완전히 고려하지 못합니다.
  • 종방향 제어: 단순한 PID 기반 종방향 제어는 단일 차량 레이싱에는 적합했으나, 복잡한 도로 코스나 다중 차량 레이싱에는 한계가 있습니다.
  • 향후 작업: 비선형 MPC 로의 확장, 다중 차량 환경 적용, 그리고 모델 불확실성에 대한 민감도 분석이 필요하다고 결론지었습니다.

이 논문은 자율 레이싱 분야에서 제어 이론의 이론적 발전과 실제 하드웨어 구현 사이의 간극을 좁히는 중요한 사례로 평가됩니다.