💻 computer science

RAGE: A Tightly Coupled Radar-Aided Grip Estimator For Autonomous Race Cars

이 논문은 IMU 와 레이더와 같은 표준 센서만을 활용하여 자율 레이싱 차량의 차량 속도, 타이어 미끄러짐 각도 및 횡력을 실시간으로 추정하는 새로운 방법인 RAGE 를 제안하고, 시뮬레이션 및 실제 레이싱 차량 실험을 통해 그 유효성을 입증했습니다.

원저자: Davide Malvezzi, Nicola Musiu, Eugenio Mascaro, Francesco Iacovacci, Marko Bertogna

게시일 2026-04-07

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Davide Malvezzi, Nicola Musiu, Eugenio Mascaro, Francesco Iacovacci, Marko Bertogna

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

🏎️ RAGE: 레이싱카의 '제 6 감각'

자율주행 레이싱카는 매우 빠릅니다. 하지만 너무 빠르면 바퀴가 땅을 제대로 잡지 못해 미끄러지거나 (스핀), 통제 불능 상태가 될 수 있습니다. 이를 방지하려면 **"지금 바퀴가 땅을 얼마나 꽉 잡고 있는가 (그립)"**를 실시간으로 알아내야 합니다.

기존에는 이를 측정하기 위해 수백만 원짜리 고가의 특수 카메라나 레이저를 차에 달아야 했습니다. 마치 프로 스키 선수가 전용 부츠를 신어야만 눈의 상태를 알 수 있는 것과 비슷하죠. 하지만 이 방식은 비싸고, 일반 차에 쓰기엔 너무 번거롭습니다.

이 논문에서 소개한 RAGE는 **"일반 레이더 (RADAR) 만으로 그립을 알아내는 마법"**입니다.

1. 비유: "안개 속에서도 길을 아는 나침반"

레이싱카는 안개나 비가 와도 (날씨가 나빠도) 길을 찾아야 합니다.

기존 방식: 정밀한 GPS 나 고가의 카메라를 써서 "지금 내가 미끄러지고 있어!"라고 알려줬습니다. 하지만 이 장비들은 비싸고, 안개나 먼지에는 잘 작동하지 않기도 합니다.
RAGE 의 방식: 차에 이미 달린 일반 레이더를 이용합니다. 레이더는 보통 물체의 거리만 재는데, RAGE 는 레이더가 보내는 **도플러 효과 (물체가 다가오거나 멀어질 때 소리가 변하는 현상)**를 이용해 차가 옆으로 얼마나 미끄러지는지 (측면 속도) 를 계산해냅니다.

마치 안개 낀 밤에, 고가의 나침반 없이도 벽에 부딪히는 소리와 바람의 방향을 듣고 길을 찾아내는 경험 많은 항해사와 같습니다.

2. 핵심 기술: "세 가지 것을 한 번에 맞추는 퍼즐"

RAGE 가 특별한 점은 세 가지 정보를 동시에 맞춰본다는 것입니다. 보통은 하나를 먼저 계산하고, 그 결과로 다음을 계산하는 순서대로 했지만, RAGE 는 세 가지를 한 번에 푼다고 합니다.

차의 속도: "지금 차가 얼마나 빠르게 가고 있지?"
바퀴의 미끄러짐 (슬립): "바퀴가 땅을 얼마나 미끄러지고 있지?"
그립력 (측면 힘): "바퀴가 땅을 얼마나 꽉 잡고 있지?"

이 세 가지는 서로 밀접하게 연관되어 있습니다. (예: 바퀴가 많이 미끄러지면 그립력이 떨어지고, 그립력이 떨어지면 차가 더 미끄러집니다.) RAGE 는 이 관계를 한 번에 해결하는 퍼즐처럼 풀어서, 어떤 상황에서도 가장 정확한 답을 찾아냅니다.

3. 특별한 기능: "날씨가 변해도 스스로 배우는 AI"

레이싱카가 달리는 도로는 건조할 수도 있고, 비가 와서 젖을 수도 있으며, 타이어가 뜨거워지거나 차가워질 수도 있습니다. 이때 바퀴의 특성이 변합니다.

기존 방식: 미리 정해진 고정된 값 (예: "타이어는 항상 이렇게 미끄러진다") 을 사용했습니다. 하지만 실제 상황과 다르면 오차가 생깁니다.
RAGE 의 방식: 실시간으로 학습합니다. 차가 달리는 동안 "아, 지금 타이어가 뜨거워져서 미끄러지기 쉬워졌구나"라고 스스로 판단하고 수치를 고칩니다. 마치 맛있는 요리를 하다가 소금 간을 실시간으로 맞추는 셰프처럼, 상황에 따라 타이어의 특성을 계속 업데이트합니다.

4. 실제 실험: "아부다비 F1 서킷에서의 대활약"

이 기술은 아부다비의 F1 서킷에서 실제 레이싱카 (EAV-24) 를 타고 테스트되었습니다.

속도: 시속 250km (70m/s) 까지 달렸습니다.
상황: 급격한 코너링, 미끄러운 젖은 도로, 타이어가 뜨거워지는 상황 등 다양한 조건에서 테스트했습니다.
결과: 고가의 특수 센서 (광학 센서) 가 측정한 정답과 비교했을 때, RAGE 가 계산한 값이 매우 정확했습니다. 특히 타이어의 온도와 압력 변화에 따라 그립력이 어떻게 변하는지도 정확히 예측했습니다.

🌟 요약: 왜 이것이 중요한가요?

이 기술은 **"비싼 장비 없이도, 레이싱카처럼 빠르고 안전한 자율주행"**을 가능하게 합니다.

비용 절감: 고가의 특수 센서 대신, 대부분의 현대 자동차에 이미 달린 일반 레이더를 사용합니다.
확장성: 레이싱카뿐만 아니라, 일반 도로의 자율주행차에서도 빗길이나 눈길에 미끄러지지 않도록 도와줄 수 있습니다.
안전: 차가 미끄러지기 시작하는 순간을 미리 감지하여 운전자에게 (또는 AI 에게) 경고하거나 제동을 걸 수 있게 합니다.

결론적으로, RAGE는 레이싱카에게 **"눈이 보이지 않아도 땅을 느끼는 제 6 감각"**을 선물하여, 더 빠르고 안전하게 달릴 수 있게 해주는 혁신적인 기술입니다.

1. 문제 제기 (Problem Statement)

자율 레이싱 카가 물리적 한계 내에서 안전하고 효과적으로 주행하기 위해서는 차량 - 타이어 - 도로 간의 마찰 (그립) 을 실시간으로 추정하는 것이 필수적입니다.

기존 방법의 한계: 기존의 타이어 그립 측정 방식은 광학 센서나 고정밀 관성 항법 시스템 (INS) 과 같은 고가의 특수 센서에 의존합니다. 이는 설치 비용이 높고 확장성이 떨어져 대량 생산 차량이나 다양한 플랫폼에 적용하기 어렵습니다.
기술적 난제: 고속 주행 및 비선형 영역에서 타이어 미끄럼 각 (slip angle) 과 횡력을 정확히 추정하려면 차량의 횡속도 (lateral velocity) 를 정밀하게 알아야 합니다. 또한, 레이더 (RADAR) 센서를 사용할 경우 도플러 속도 측정의 에일리어싱 (aliasing) 문제와 센서 처리 지연 (latency) 이 발생하여 기존 선형 추정기나 순차적 추정 방식으로는 정확한 결과를 얻기 어렵습니다.

2. 제안 방법론 (Methodology)

저자들은 RAGE (Radar-Aided Grip Estimator) 라는 새로운 실시간 추정 프레임워크를 제안합니다. 이는 IMU(관성측정장치) 와 표준 RADAR 만을 사용하여 차량 속도, 타이어 미끄럼 각, 횡력을 동시에 추정합니다.

핵심 구성 요소:

밀접하게 결합된 추정 (Tightly Coupled Estimation):
- 기존 방식처럼 속도를 먼저 추정한 후 타이어 모델을 적용하는 순차적 접근을 피합니다.
- 이동 시간 창 추정 (Moving Horizon Estimation, MHE) 을 사용하여 차량 상태 (속도, 요율, IMU 바이어스) 와 타이어 모델 파라미터 (Pacejka 모델 계수) 를 동시에 (Jointly) 추정합니다. 이를 통해 변수 간의 강한 상호의존성을 고려하고 불확실성을 줄입니다.
센서 융합 및 전처리:
- IMU: 가속도 및 요율 (yaw rate) 데이터를 제공하며, MHE 를 통해 바이어스 (bias) 를 실시간으로 보정합니다.
- RADAR: 도플러 (Doppler) 속도를 측정합니다.
  - 지연 보상: 센서 내부 처리 지연으로 인한 시간 불일치를 해결하기 위해, 측정 시간戳 (timestamp) 에 해당하는 과거 상태를 MHE 창 내에 삽입하여 동기화합니다.
  - 에일리어싱 제거 (De-aliasing): 레이더의 나이퀴스트 속도 한계를 초과하는 고속 주행 시 발생하는 속도 에일리어싱을, 차량의 현재 운동 상태 예측을 기반으로 한 정수 보정 알고리즘을 통해 해결합니다.
동역학 모델:
- 운동학 모델: 강체 (rigid-body) 모델을 사용하여 차량의 운동장을 추정합니다.
- 타이어 모델: 비선형 Pacejka Magic Formula 를 사용하여 미끄럼 각과 횡력의 관계를 모델링합니다.
- 온라인 파라미터 적응: 타이어 마모, 온도 변화, 공기압 변동 등에 대응하기 위해 Pacejka 모델의 계수 ( $B, C, D, E$ 등) 를 실시간으로 추정 및 업데이트합니다.

3. 주요 기여 (Key Contributions)

저비용 고성능 센서 활용: 고가의 광학 센서 없이도 표준 IMU 와 RADAR 만으로 레이싱 수준의 정밀한 횡동역학 (횡속도, 미끄럼 각, 횡력) 을 추정할 수 있는 프레임워크를 제시했습니다.
고속 환경 대응 기술:
- 레이더 도플러 측정의 에일리어싱 현상을 해결하는 실용적인 디에일리어싱 (de-aliasing) 기법을 통합했습니다.
- 센서 지연을 보상하고 비동기 측정을 처리하기 위해 MHE를 적용하여 급격한 가속/감속 상황에서도 일관된 추정을 가능하게 했습니다.
실시간 적응성: 고정된 파라미터가 아닌, 주행 중 변화하는 도로 조건과 타이어 상태에 맞춰 타이어 모델 계수를 실시간으로 피팅 (fitting) 하는 능력을 입증했습니다.

4. 실험 결과 (Results)

연구팀은 Unimore Racing Team의 자율 레이싱 카 EAV-24 를 사용하여 시뮬레이션과 실제 주행 실험을 수행했습니다.

시뮬레이션 검증:
- 이중 차선 변경 (Double-lane change): 65 m/s 의 고속에서 횡속도 오차 최대 0.19 m/s, 미끄럼 각 오차 최대 0.15°의 높은 정확도를 보였습니다.
- 스핀 (Spin): 젖은 노면 (마찰계수 0.6) 에서 135° 회전하는 불안정한 상황에서도 상태 추정이 정확하게 유지되었습니다.
- 파라미터 피팅: Yas Marina F1 서킷에서의 시뮬레이션 랩을 통해, 초기 무작위 파라미터에서 시작하여 약 20 초 만에 타이어 특성을 정확히 학습하고 횡력을 재구성하는 것을 확인했습니다.
실제 주행 실험 (Yas Marina Circuit):
- 최대 속도 70 m/s, 최대 횡가속도 28 m/s²의 극한 조건에서 광학 센서 (Kistler) 를 기준으로 한 비교 결과, RAGE 는 레이더 도플러 데이터로부터 횡속도와 횡가속도를 매우 정확하게 재구성했습니다.
- 타이어 상태 추정: 추정된 코너링 강성 (cornering stiffness) 이 타이어 온도 및 공기압 변화와 강한 상관관계를 보였습니다. 특히 브레이크 분포와 주행 구간에 따라 타이어 온도가 변할 때, RAGE 가 이를 실시간으로 감지하여 타이어 파라미터를 적응시키는 능력을 입증했습니다.
계산 비용:
- AMD EPYC 프로세서 기반의 단일 CPU 코어에서 실행되었으며, 평균 실행 시간은 2.287 ms로, 100 Hz 주파수에서 실시간 추정이 가능함을 확인했습니다.

5. 의의 및 결론 (Significance)

확장성: 고가의 특수 센서 없이도 자율 주행 차량 (특히 레이싱 및 고성능 차량) 에 그립 추정 기능을 쉽게 배포할 수 있는 길을 열었습니다.
강건성 (Robustness): 레이더 센서의 한계 (지연, 에일리어싱) 를 극복하고, 비선형 동역학이 지배적인 고속 주행 환경에서도 안정적인 성능을 발휘함을 입증했습니다.
미래 지향성: 이 프레임워크는 단순한 상태 추정을 넘어, 타이어의 물리적 상태 (온도, 마모 등) 를 실시간으로 모니터링하고 제어 시스템에 피드백할 수 있는 기반을 제공합니다. 향후 개별 휠의 미끄럼 각 추정 및 종방향 동역학 결합으로 확장될 수 있는 잠재력을 가지고 있습니다.

요약하자면, RAGE 는 레이더와 IMU 만으로 자율 레이싱 카의 극한 주행 조건에서도 정밀한 그립 정보를 추출할 수 있는 혁신적인 실시간 추정기로서, 자율 주행 기술의 실용화와 확장성에 중요한 기여를 합니다.