💻 computer science

RAGE-XY: RADAR-Aided Longitudinal and Lateral Forces Estimation For Autonomous Race Cars

본 논문은 IMU 와 RADAR 만을 활용하여 자율 레이싱 차량의 속도와 타이어 미끄러짐 각도 및 종·횡 방향 힘을 실시간으로 추정하는 RAGE-XY 프레임워크를 제안하며, 이를 통해 센서 오정렬 보정 및 삼륜 모델 도입을 거쳐 기존 방법보다 향상된 정확도와 강건성을 입증했습니다.

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

게시일 2026-04-10

📖 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

이 논문은 자율주행 레이싱카가 "눈을 감고"도 차가 미끄러지는지, 바퀴가 얼마나 힘을 쓰고 있는지 정확히 알 수 있게 해주는 똑똑한 시스템을 소개합니다.

이 시스템의 이름은 **'RAGE-XY'**입니다. 기존 기술의 한계를 넘어, 레이싱카가 극한의 속도로 질주할 때조차 차체와 타이어의 상태를 실시간으로 파악해냅니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

🏎️ 1. 문제 상황: "눈이 먼 레이싱카"

일반적인 레이싱카는 차의 속도와 방향을 알기 위해 비싼 센서들 (광학 센서 등) 을 많이 사용합니다. 하지만 이 시스템은 **가장 기본적이고 저렴한 센서 (IMU: 차의 흔들림을 감지하는 나침반 같은 것 + RADAR: 레이더)**만 사용합니다.

하지만 여기서 문제가 생깁니다.

레이더가 살짝 비뚤어지면? 차가 직진할 때 레이더가 "아, 차가 옆으로 살짝 가고 있네?"라고 잘못 해석할 수 있습니다. (실제로는 차가 흔들려서 레이더가 비뚤어진 경우죠.)
앞바퀴만 보는 것? 기존 기술은 차가 옆으로 미끄러지는 것 (측면 힘) 만 잘 파악했지만, 차가 가속하거나 브레이크를 밟을 때의 힘 (종방향 힘) 은 잘 모릅니다.

🛠️ 2. RAGE-XY 의 해결책: "세 가지 마법"

이 논문은 이 문제를 해결하기 위해 세 가지 혁신적인 아이디어를 도입했습니다.

① "스스로 교정하는 나침반" (온라인 레이더 보정)

레이더가 차체에 딱딱 고정되어 있다고 가정하지만, 실제 경주 도중 진동 때문에 살짝 비틀어질 수 있습니다.

비유: 마치 안경을 쓴 사람이 안경이 코에서 살짝 미끄러져 시야가 흐려졌을 때, 스스로 안경을 바로잡는 것과 같습니다.
원리: 차가 정면으로 직진할 때는 옆으로 미끄러지지 않아야 합니다. 이때 레이더가 "옆으로 가고 있어!"라고 말하면, 시스템은 "아, 레이더가 비뚤어졌구나!"라고 알아차리고 스스로 각도를 보정합니다. 덕분에 차가 얼마나 옆으로 미끄러지는지 (측면 속도) 를 훨씬 정확하게 알 수 있습니다.

② "세 발 달린 자전거 모델" (트라이시클 모델)

기존에는 차를 "앞바퀴 하나, 뒷바퀴 하나"로 단순화해서 보았습니다 (단일 트랙 모델). 하지만 레이싱카는 뒷바퀴가 두 개이고, 엔진과 브레이크의 힘이 양쪽 바퀴에 다르게 분배됩니다.

비유: 차를 **앞바퀴 하나, 뒷바퀴 두 개가 달린 '세 발 자전거'**로 생각한 것입니다.
효과: 이렇게 모델을 정교하게 만들면, 뒷바퀴가 가속할 때나 브레이크를 밟을 때 각각 얼마나 힘을 쓰는지까지 계산할 수 있게 됩니다. 마치 운전자가 "오른쪽 뒷바퀴가 미끄러져서 힘이 덜 들어가고 있네"라고 느끼는 것과 같습니다.

③ "한 번에 모든 것을 보는 눈" (동시 추정)

기존 기술들은 "먼저 속도를 구하고, 그다음 힘을 구하고, 그다음 미끄러짐을 구한다"는 식으로 단계별로 계산했습니다.

비유: 요리할 때 재료를 하나씩 다듬고, 하나씩 볶고, 하나씩 섞는 것이 아니라, 한 냄비에 모든 재료를 넣고 동시에 익히는 것과 같습니다.
효과: 모든 정보 (속도, 힘, 미끄러짐) 를 한 번에 동시에 계산하기 때문에, 차가 급격하게 핸들을 꺾거나 브레이크를 밟는 순간에도 오차가 쌓이지 않고 더 빠르고 정확하게 반응합니다.

🧪 3. 검증: "실전 테스트"

이 시스템은 컴퓨터 시뮬레이션과 실제 레이싱카 (EAV-24, 아부다비 자율주행 레이싱 대회에 참여한 차량) 에서 테스트되었습니다.

결과: 시속 250km(70m/s) 에 달하는 초고속 주행과, 차가 옆으로 미끄러질 때의 극한 상황에서도 정확도가 크게 향상되었습니다. 특히 레이더가 비뚤어져도 스스로 고쳐서 정확한 속도를 측정하는 능력이 입증되었습니다.

💡 4. 결론: 왜 이것이 중요한가?

이 기술은 비싼 장비 없이도 레이싱카가 스스로 "내 바퀴가 미끄러지고 있어!", "앞바퀴는 힘을 다 쓰고 있어!"라고 깨닫게 해줍니다.

일반인 비유: 마치 운전자가 차의 상태를 직접 느끼는 '감각'을 컴퓨터가 대신 갖게 된 것입니다.
미래: 이 기술이 발전하면, 비싼 레이싱카뿐만 아니라 일반 자율주행차도 비싼 센서 없이도 빗길이나 눈길에서 훨씬 안전하고 민첩하게 운전할 수 있게 될 것입니다.

한 줄 요약:

"비싼 장비 없이도, 레이더가 스스로 비뚤어짐을 고치고, 차가 가속/감속/미끄러짐을 동시에 파악하게 해주는 '레이싱카의 초능력'을 개발했다!"

1. 문제 정의 (Problem)

자율 레이싱 차량은 극한의 주행 조건 (고속, 급격한 선회, 큰 횡가속도) 에서 주행해야 하므로, 차량의 상태 (속도, 슬립 각) 와 타이어 힘 (종방향, 횡방향) 을 정확히 추정하는 것이 필수적입니다.

기존의 한계: 횡속도나 슬립 각을 직접 측정하려면 고가의 광학 센서나 고정밀 관성 항법 시스템 (INS) 이 필요하여 실용성이 떨어집니다.
기존 추정 방식의 결함:
- 기존 모델 기반 추정 기법들은 주로 단일 트랙 (single-track) 모델을 사용하여 후륜의 종방향 힘을 추정하지 못하거나, 계단식 (hierarchical) 추정을 통해 오차 전파가 발생합니다.
- RADAR 센서의 설치 오차 (정렬 불량) 를 보정하지 않으면, 특히 고속 주행 시 종방향 속도가 횡방향으로 잘못 투영되어 횡속도 추정에 큰 편향이 발생합니다.
- 제한 차동기 (LSD) 가 장착된 레이싱카의 경우, 좌우 바퀴 간의 토크 분배를 고려하지 않으면 종방향 힘 추정이 부정확해집니다.

2. 제안 방법론 (Methodology)

이 논문은 기존 RAGE 프레임워크를 확장한 RAGE-XY를 제안하며, 이동 시간 창 추정 (Moving Horizon Estimation, MHE) 을 기반으로 합니다.

A. 시스템 아키텍처 및 MHE

MHE 기반 추정: 사전 정보, 시스템 동역학, 가용한 측정값에 대한 잔차 (residuals) 를 최소화하는 비용 함수를 통해 차량 상태와 타이어 힘을 동시에 추정합니다.
비동기 측정 처리: RADAR 센서의 내부 처리 지연을 고려하여, 시간 스탬프가 활성 시간 창 내에 있는 지연된 측정값도 효과적으로 처리합니다.
상태 벡터: 종/횡속도 ( $v_x, v_y$ ), 종/횡가속도 ( $a_x, a_y$ ), 요율 ( $r$ ), IMU 바이어스 ( $b_x, b_y, b_r$ ) 를 포함합니다.

B. 핵심 모델링 개선

온라인 RADAR 보정 (Online RADAR Calibration):
- 차량이 직진 주행 시, RADAR 측정 속도가 차량의 종방향과 일치한다는 가정을 활용합니다.
- ROLEQ (Rotation Estimator for Linear Quadratic) 추정기를 사용하여 RADAR 센서의 회전 오차 (요, 피치 각) 를 실시간으로 추정하고 보정합니다. 이를 통해 설치 오차로 인한 횡속도 추정 오차를 제거합니다.
삼륜 모델 (Tricycle Model) 로의 확장:
- 기존 단일 트랙 모델을 확장하여 후륜의 종방향 힘을 추정할 수 있는 삼륜 모델을 도입했습니다.
- 제한 차동기 (LSD) 모델링: 엔진 토크가 좌우 바퀴에 어떻게 분배되는지를 나타내는 분할 계수 ( $\gamma$ ) 와 토크 재분배 변수 ( $\Delta M$ ) 를 상태 변수에 추가했습니다. 이를 통해 미끄러짐 발생 시 토크 분포를 정확히 반영합니다.
타이어 힘 추정:
- 횡방향 힘: Pacejka Magic Formula 를 사용하여 앞/뒤 축의 횡방향 힘과 슬립 각을 추정합니다.
- 종방향 힘: 공기저항, 구름저항, 코너링 힘, 도로 경사 등을 고려한 저항력을 차감하여 후륜의 총 종방향 힘을 역산하고, 이를 LSD 모델을 통해 좌우 바퀴로 분배합니다.

C. 센서 퓨전

IMU (가속도계, 자이로) 와 다중 RADAR 센서 데이터를 융합합니다.
RADAR 는 도플러 속도와 방위각/고도각을 제공하며, 이를 IMU 와 결합하여 차량의 절대 속도와 방향을 재구성합니다.

3. 주요 기여 (Key Contributions)

통합 추정 프레임워크: 순차적 추정이 아닌, 차량 전체 상태와 종/횡방향 타이어 힘을 동시에 (Jointly) 실시간으로 추정하는 통합 MHE 프레임워크를 제시했습니다.
저비용 센서 기반 고도화: 고가의 센서 없이 IMU 와 다중 RADAR 만으로 종/횡속도 성분을 재구성하고, 온라인 RADAR 보정을 통해 설치 오차를 실시간으로 보상하여 정확도를 획기적으로 높였습니다.
LSD 모델 통합: 레이싱카에 필수적인 제한 차동기 (LSD) 의 토크 분배 특성을 모델에 포함시켜, 후륜 종방향 힘 추정의 정밀도를 높였습니다.
실시간 파라미터 적응: 타이어 마모, 노면 상태 변화, 열적 효과에 대응하기 위해 횡방향 타이어 모델 파라미터 (Pacejka 파라미터) 를 온라인으로 식별합니다.

4. 검증 및 결과 (Validation & Results)

시뮬레이션: 고충실도 다물체 동역학 모델을 기반으로 한 시뮬레이션에서 검증되었습니다.
- 보정 효과: RADAR 설치 각도 오차 (피치 15°, 요 5°) 가 있는 상황에서, 제안된 온라인 보정 알고리즘이 직진 주행 후 약 5 초 이내에 오차를 보정하고 정지값 (Ground Truth) 에 빠르게 수렴함을 확인했습니다.
실제 실험: 아부다비 자율 레이싱 리그 (A2RL) 에 참가한 Unimore Racing Team 의 EAV-24 자율 레이싱카를 사용하여 검증되었습니다.
- 주행 조건: 최대 70 m/s (약 252 km/h) 의 속도, 최대 28 m/s² 의 횡가속도 등 극한 주행 조건에서 테스트되었습니다.
- 성과: 제안된 방법은 횡방향 및 종방향 차량 동역학 추정에서 기존 방법보다 향상된 정확도와 견고성 (Robustness) 을 보였습니다.

5. 의의 및 결론 (Significance)

이 논문은 자율 레이싱과 같은 극한 주행 환경에서 저비용 센서 (RADAR+IMU) 만으로도 고정밀 차량 상태 및 타이어 힘 추정이 가능함을 입증했습니다.

실용성: 고가의 특수 센서 없이도 상용 차량이나 레이싱카에 적용 가능한 실용적인 솔루션을 제공합니다.
안전성 및 성능: 정확한 타이어 힘과 슬립 각 추정은 차량의 제어 알고리즘 (제동, 조향, 추력 제어) 성능을 극대화하고, 극한 주행에서의 안정성을 보장하는 데 핵심적인 역할을 합니다.
확장성: 제안된 프레임워크는 다양한 주행 조건과 차량 구성 (특히 LSD 가 장착된 차량) 에 유연하게 적응할 수 있는 잠재력을 가지고 있습니다.

결론적으로, RAGE-XY 는 센서 보정 문제와 동역학 모델의 정밀도를 동시에 해결하여, 자율 주행 차량의 상태 추정 분야에서 중요한 진전을 이루었습니다.