DynSSM: A Physics-Aware State-Space Memory Framework for Learning Vehicle Dynamics

고속 자율 주행 레이싱은 인공지능과 로보틱스에 있어 가장 까다로운 시험 중 하나입니다. 적당한 속도로 도시의 거리를 주행하는 일반적인 자율 주행 자동차와 달리, 레이싱 차량은 물리적 능력의 한계점에서 작동합니다. 이들은 타이어의 접지력을 극한까지 밀어붙이고, 극심한 힘으로 브레이크를 밟으며, 차체의 무게가 한쪽에서 다른 쪽으로 급격하게 이동할 정도로 날카롭게 회전합니다. 이러한 조건에서는 물리학 법칙이 단순하고 예측 가능한 방식으로 작동하지 않습니다. 스티어링 휠을 조작하는 것과 차가 회전하는 것 사이의 관계는 속도, 타이어 온도, 그리고 각 바퀴에 가해지는 하중에 따라 즉각적으로 변하며 매우 복형해집니다. 성공적인 레이싱을 위해 컴퓨터는 단순히 정확할 뿐만 아니라, 이러한 변화하는 물리적 규칙을 실시간으로 이해할 수 있는 차량 모델을 필요로 합니다. 만약 모델이 너무 단순하면 차가 어떻게 미끄러질지 예측하는 데 실패하고, 너무 복잡하면 계산하는 데 시간이 너무 오래 걸려 차가 반응하기도 전에 충돌하게 됩니다.

데이턴 대학교(University of Dayton)의 연구진은 이 특정 문제를 해결하기 위해 DynSSM이라는 새로운 프레임워크를 개발했습니다. 그들의 연구는 물리 법칙을 엄격히 준수하면서 데이터로부터 학습하는 레이스카의 디지털 트윈을 만드는 데 초점을 맞추고 있습니다. 연구팀은 두 가지 서로 다른 접근 방식을 결합했습니다. 고전적인 차량 역학에 기반한 구조화된 수학적 모델과 실제 환경에 적응하는 유연한 학습 시스템을 결합한 것입니다. 구조화된 모델은 신뢰할 수 있는 토대로서 차량의 행동이 항상 물리적으로 타당하도록 보장합니다. 과거의 행동과 그 결과를 기억하는 고급 메모리 네트워크를 사용하는 학습 시스템은 이 토대를 미세 조정합니다. 이 시스템은 타이어의 접지력이나 회전 시 차체의 무게 이동과 같은 모델 내의 특정 수치들을 실제 트랙에서 일어나는 현상에 맞춰 조정합니다. 결정적으로, 이 시스템에는 이러한 조정이 비현실적이 되지 않도록 방지하는 안전 장치가 포함되어 있어, 자동차가 하늘을 날거나 물리 법칙을 거스르는 방식으로 행동하는 것을 방지합니다.

연구진은 두 가지 매우 다른 소스, 즉 소규모 시뮬레이션 레이스카와 실제 크기의 자율 주행 인디(Indy) 레이스카에서 얻은 데이터를 사용하여 이 시스템을 테스트했습니다. 그들은 한 트랙의 데이터로 모델을 훈련시킨 후, 완전히 다른 미지의 트랙에서 차량의 움직임을 예측하도록 도전했습니다. 결과에 따르면, 이 새로운 프레임 much 더 정확한 성능을 보였습니다. 전진 속도, 측면 미끄러짐, 그리고 회전 속도를 예측할 때, 새 모델은 기존의 가장 우수한 모델들과 비교하여 전진 속도는 최대 27%, 측면 미끄러짐은 74%, 회전 속도는 거의 89%까지 오차를 줄였습니다. 이러한 개선은 단지 이론적인 것에 그치지 않았습니다. 연구진이 시뮬레이션에서 이 모델을 사용하여 차량을 제어했을 때, 이 차량은 기존의 최첨단 모델들을 사용할 때보다 한 바퀴를 13% 더 빠르게 완주했습니다.

왜 이 방식이 이토록 잘 작동하는지 이해하려면 시스템이 어떻게 구축되었는지 살펴보는 것이 도움이 됩니다. 연구진은 단순히 다음 움직임을 추측하는 프로그램에 데이터를 입력하는 것만으로는 시간이 지남에 따라 오류가 누적되는 현상이 발생한다는 것을 발견했습니다. 대신, 그들은 먼저 알려진 물리학에 기반하여 '최선의 추측'을 계산한 다음, 메모리 네트워크를 사용하여 그 추측을 수정하도록 설계했습니다. 이 메모리 네트워크는 지난 몇 초간의 주행 방식과 같은 장기적인 추세와, 갑작스러운 스티어링 휠의 움직임과 같은 단기적인 급변을 모두 주목합니다. 또한 시스템에는 '게이트(gated)' 수정 단계가 포함되어 있는데, 이는 필터 역할을 합니다. 이 단계는 컴퓨터가 스티어링 메커니즘의 지연이나 불균일한 노면과 같은 작은 물리 모델의 오류를 수정할 수 있게 허용하지만, 컴퓨터가 터무니없고 불가능한 변화를 일으키는 것은 차단합니다. 이러한 균형 덕분에 모델은 실시간으로 실행될 만큼 충분히 빠르면서도, 레이싱의 극한적인 힘을 다룰 수 있을 만큼 충분히 정확할 수 있습니다.

연구진은 이 시스템의 구성 요소 중 일부를 제거했을 때 어떤 일이 발생하는지도 조사했습니다. 물리적 파라미터를 조정하는 기능을 껐을 때, 모델은 다양한 트랙에서 차량의 행동을 예측하는 데 어려움을 겪었으며 시뮬레이션에서 종종 충돌을 일으켰습니다. 또한 차량의 이력을 추적하는 메모리 구성 요소를 제거했을 때, 모델은 연속적인 코너 구간에서 차량이 어떻게 반응할지 예측하는 데 실패했습니다. 이러한 테스트는 프레임워크의 모든 부분이 필수적임을 확인시켜 주었습니다. 즉, 물리적 뼈대는 안정성을 제공하고, 메모리는 맥락을 제공하며, 수정 메커니즘은 현실 세계의 복잡한 세부 사항을 처리한다는 것입니다. 연구진은 이 접근 방식이 컴퓨터 시뮬레이션 속의 작은 장난감 자동차뿐만 아니라, 인디애나와 라스베이거스의 실제 트랙에서 고속으로 움직이는 실제 크기의 레이스카에서도 작동함을 입증했습니다.

결과는 유망하지만, 저자들은 시스템이 완벽하지는 않다고 언급합니다. 현재 모델은 차량의 미래 경로에 대해 단 하나의 확정적인 예측만을 생성하며, 다양한 결과의 확률이나 자신의 지식에 대한 불확실성을 명시적으로 계산하지는 않습니다. 또한, 이 시스템은 시뮬레이션과 강력한 컴퓨터에서 테스트되었지만, 실제 경주의 엄격한 시간 제한 하에서 어떻게 작동하는지 확인하기 위해 실제 레이스카 내부의 하드웨어에 설치되지는 않았습니다. 이러한 한계에도 불구하고, 이 연구는 자율 주행 차량을 더 안전하고 유능하게 만드는 데 있어 중요한 진전을 의미합니다. 기계에게 물리 법칙의 근본적인 규칙을 잊지 않으면서 데이터로부터 학습하는 법을 가르침으로써, 연구진은 자율 주행차가 레이스 트랙뿐만 아니라 일상의 예측 불가능하고 복잡한 환경을 항해할 수 있도록 돕는 도구를 만들어냈습니다. 차량 역학을 이토록 정밀하고 빠르게 예측할 수 있는 능력은, 자율 주행 시스템이 이전에는 도달할 수 없었던 수준의 자신감과 민첩성을 가지고 작동할 수 있는 미래를 암시합니다.