TEACar: An Open-Source Autonomous Driving Platform

"TEACar: 오픈소스 자율주행 플랫폼"에 대한 상세 기술 요약입니다.

1. 문제 제기

지능형 교통 시스템 (ITS) 연구는 비전 기반 인식과 학습 기반 제어에 점점 더 의존하고 있으며, 이는 현실적인 하드웨어 인 더 루프 (hardware-in-the-loop) 검증을 지원하는 실험 플랫폼을 필요로 합니다. 시뮬레이션 환경 (예: Gazebo) 은 초기 개발에 유용하지만, 물리 시스템의 복잡성과 불확실성을 포착하지는 못합니다.
기존의 소형 자율주행 플랫폼은 다음과 같은 중대한 한계에 직면해 있습니다:

• RoboRacer (F1/10): 견고하지만, 1/10 스케일은 크고 비싸며 (~3,000 달러), 특정 차체에 밀접하게 결합되어 있어 비전 기반 작업과 재구성에 대한 유연성을 제한합니다.
• DonkeyCar: 접근성이 좋고 비전에 초점을 맞추고 있지만, 비모듈식 소프트웨어 설계, 연산과 구동을 위한 별도의 전원 공급에 대한 의존성 (통합 복잡성 증가), 그리고 커스텀 Python 스택으로 인한 확장성 부족으로 고통받고 있습니다.

학습 기반 제어 알고리즘의 신속한 프로토타이핑과 엄격한 검증을 촉진하기 위해 기계적, 하드웨어, 소프트웨어 하위 시스템을 분리하는 소형, 모듈식, 비용 효율적인 플랫폼이 필요합니다.

2. 방법론 및 시스템 설계

저자들은 소형화, 모듈화, 신뢰성이라는 세 가지 핵심 기둥을 중심으로 설계된 1/14~1/16 스케일 자율주행 레이싱 플랫폼인 TEACAR을 제안합니다.

A. 기계적 설계

이 플랫폼은 하위 시스템을 물리적으로 분리하여 강성을 높이고 재구성을 단순화하는 4 층 데크 아키텍처를 활용합니다:

1. 차체 어댑터 인터페이스 레이어: 상용 RC 차체와 데크를 연결합니다. 데크의 나머지 부분을 변경하지 않고도 다른 마운팅 기하학 (구멍 간격, 패스너) 을 수용하기 위해 교체 가능합니다.
2. 하부 구조 베이스: 배터리를 수용하고 무게 중심을 낮추며 서스펜션으로부터의 반동력을 관리합니다.
3. 중간 전자 레이어: 컴퓨팅 유닛 (예: NVIDIA Jetson), 전원 분배 보드, 모터 드라이버, IMU 등을 위한 견고한 마운팅 표면을 제공하여 열 간격을 확보하고 일관된 정렬을 보장합니다.
4. 상부 구조 프레임: 전방 센서 (카메라) 와 안테나를 지지하여 시야를 개선하고 전복 시 기계적 보호를 제공합니다.

주요 장점: 차체를 변경할 때 어댑터 레이어만 재설계하면 되며, 나머지 데크 레이어는 불변으로 유지됩니다.

B. 하드웨어 설계

• 컴퓨팅 유닛: 다양한 NVIDIA Jetson 모듈 (Xavier NX, Orin NX, Orin Nano) 을 지원하여 21~100 TOPS 의 AI 성능을 제공합니다.
• 전원 시스템: 다양한 전압 요구 사항 (컴퓨팅/모터용 9~15V, 센서/서보용 규제된 5V/7V) 을 관리하고 과전압/저전압 방지 회로를 포함하는 커스텀 **전원 분배 보드 (PDB)**를 특징으로 합니다.
• 센서 및 구동기: CSI/USB 카메라, IMU(MPU6050/9250), 조이스틱을 지원합니다. I2C 를 통해 컴퓨팅 유닛과 인터페이스하는 PCA9685 기반 PWM 컨트롤러를 사용하여 정밀한 모터 및 서보 제어를 위한 최대 16 개의 독립 채널을 제공합니다.

C. 소프트웨어 설계

소프트웨어 스택은 모듈성과 실시간 성능을 보장하기 위해 **ROS 2 (Humble)**를 기반으로 구축되었으며, 세 가지 하위 시스템으로 구성됩니다:

1. 컨트롤러: 조이스틱 또는 훈련된 신경망 (CNN) 의 입력을 관리합니다. 조향 및 스로틀 목표를 포함하는 표준화된 motion_cmd 메시지를 발행합니다.
2. 구동기 드라이버: 2 계층 아키텍처입니다. 첫 번째 레이어는 컨트롤러로부터 명령을 집계하여 PWM 펄스 폭으로 변환합니다. 두 번째 레이어는 I2C 를 통해 PCA9685 하드웨어와 인터페이스하여 물리적 신호를 생성합니다.
3. 인식: 센서 데이터 수집 (예: 이미지용 gscam, 컨트롤러용 joy) 을 처리하고 표준화된 ROS 2 메시지 유형으로 데이터를 발행합니다.

3. 주요 기여

• 모듈식 아키텍처: 인식, 연산, 구동, 전원을 물리적으로 분리하는 새로운 4 층 데크 설계로, 쉬운 재구성과 차체 교체를 가능하게 합니다.
• 하드웨어 추상화: 모든 새로운 설정마다 커스텀 배선이 필요하지 않고 다양한 RC 차체 및 컴퓨팅 유닛을 지원하는 표준화된 전원 분배 및 구동 인터페이스.
• 오픈소스 생태계: 전체 설계 파일, 소프트웨어 스택 및 문서가 GitHub 에 제공되어 연구자 및 교육자의 진입 장벽을 낮춥니다.
• 비용 효율성: 이 플랫폼의 비용은 약 1,200 달러로, RoboRacer(~3,000 달러) 와 같은 경쟁 제품보다 훨씬 저렴하면서도 높은 컴퓨팅 능력을 유지합니다.

4. 실험 결과

저자들은 프로토타입을 구축하고 기계적, 하드웨어, 소프트웨어 차원에서 평가했습니다.

• 기계적 평가:

  • 치수: 총 질량은 1.25kg(RoboRacer 의 3.13kg 대비) 이며 최소 회전 반경은 550mm(1200mm 대비) 로, 제한된 실험실 환경에 매우 적합합니다.
  • 강성: 1 미터 낙하 테스트 3 회를 견뎌내어 구조적 손상이나 기능 저하가 없었습니다.

• 하드웨어 및 소프트웨어 성능:

  • 추론 지연: 세 가지 CNN 기반 조향 컨트롤러 ("Small", "Medium", "Large") 가 테스트되었습니다. 평균 추론 지연은 1.8ms 에서 2.8ms 사이로, 실시간 요구 사항을 충분히 충족했습니다.
  • 전력 소비: 컴퓨팅 유닛은 평균 7.5~7.6W를 소비하여 정격 한도인 25W 보다 훨씬 낮아 지속적인 운영이 가능했습니다.
  • 비교: DonkeyCar 플랫폼 (Jetson Nano 사용) 과 비교했을 때, TEACAR 의 추론 지연은 약 6 배 빠릅니다 (예: "Small" 모델의 경우 1.8ms 대 12.4ms). 이는 Jetson Orin NX 의 우수한 컴퓨팅 성능에 기인합니다.

5. 의의

TEACAR 은 확장 가능하고 모듈식이며 저렴한 테스트베드를 제공함으로써 시뮬레이션과 풀스케일 차량 테스트 사이의 중요한 격차를 해소합니다.

• 연구 측면: 풀스케일 차량의 prohibitive 한 비용 없이 현실적인 물리 환경에서 비전 기반 인식 및 학습 기반 제어 알고리즘의 신속한 반복을 가능하게 합니다.
• 교육 측면: 모듈식 설계로 학생들이 기계적, 전기적, 소프트웨어적 개별 하위 시스템을 쉽게 이해하고 수정할 수 있어 자율 시스템에 대한 심층 학습을 촉진합니다.
• 미래 영향: 이 플랫폼은 확장 가능하도록 설계되었으며, 향후 LiDAR 및 깊이 카메라를 통합하여 고급 센서 퓨전 및 매핑 작업을 수행할 계획입니다.

결론적으로, TEACAR 은 모듈성과 하드웨어 추상화를 우선시함으로써 기존 플랫폼에 대한 견고한 대안을 제공하며, 자율주행 연구의 민주화를 위한 중요한 진전을 의미합니다.