💻 computer science

Trajectory Planning and Control near the Limits: an Open Experimental Benchmark on the RoboRacer Platform

본 논문은 고가속도 궤적 계획 및 제어를 위한 모듈형 프레임워크를 평가하는 RoboRacer 플랫폼 기반의 개방형 실험 벤치마크를 소개하며, 조향 및 온라인 속도 재계획을 위한 모델 구조 신경망이 추적 정확도를 크게 향상시키고 진동을 줄이며 더 빠르고 안전한 랩 타임을 가능하게 함을 입증합니다.

원저자: Mattia Piccinini, Patrick Zambiasi, Aniello Mungiello, Mattia Piazza, Felix Jahncke, Johannnes Betz

게시일 2026-05-20

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mattia Piccinini, Patrick Zambiasi, Aniello Mungiello, Mattia Piazza, Felix Jahncke, Johannnes Betz

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

작은 원격 조종 레이싱 카 (큰 신발 상자 크기 정도) 가 추락하지 않고 인간이 할 수 있는 한 가장 빠르게 트랙을 주행하도록 가르친다고 상상해 보세요. 이것이 바로 이 논문의 핵심입니다. 연구자들은 이 자동차가 물리적 한계의 정점에서 주행할 때 순간적인 결정을 내릴 수 있도록 도와주는 '뇌'를 구축했습니다. 이는 마치 전문 랠리 드라이버가 코너를 미끄러지듯 주행하는 것과 같습니다.

간단한 비유를 사용하여 그들의 작업을 다음과 같이 정리해 보겠습니다:

목표: '완벽한 랩'

일반적인 주행에서는 차선에 머무르는 것이 중요합니다. 하지만 레이싱에서는 곡선의 안쪽을 따라가며 타이어가 비명을 지르려는 순간까지 차를 밀어붙여야 합니다. 연구자들은 이를 기존 방법들보다 안전하고 빠르게 자동으로 수행할 수 있는 시스템을 구축할 수 있는지 확인하고자 했습니다.

세 부분으로 구성된 뇌

그들이 구축한 시스템은 함께 일하는 세 명의 전문가 팀과 같습니다:

지도 읽는 사람 (궤적 계획):
경기가 시작되기 전에 이 부분은 트랙 주변의 '완벽한 선'을 그립니다. 자동차가 가속하고 회전할 수 있는 속도에 기반하여, 가장 빠르게 주행하기 위해 자동차가 정확히 어디에 있어야 하는지 계산합니다. 단순히 "좌회전 하라"고 말하는 GPS 가 아니라, "승리를 위해 정확히 이 속도로 좌회전 하라"고 말하는 GPS 라고 생각하세요.
눈과 손 (경로 추적 및 조향):
자동차가 움직이기 시작하면 그 완벽한 선을 따라야 합니다.
- 옛 방식: 그들은 두 가지 전통적인 방법을 테스트했습니다. 하나는 앞쪽의 한 점을 계속 보고 그쪽으로 조향하는, 목줄에 묶인 개 (Pure Pursuit) 와 같습니다. 다른 하나는 코너를 더 부드럽게 만들려고 시도하는 복잡한 수학 방법 (Clothoid) 입니다.
- 새로운 비밀 무기 (MS-NN): 이것이 이 논문의 주요 혁신입니다. 그들은 추측만 하는 것이 아니라 물리 법칙이 구조에 내장된 특수한 유형의 '신경망 (컴퓨터 뇌)'을 만들었습니다.
  - 비유: 인간 드라이버를 상상해 보세요. 코너를 돌 때 단순히 핸들을 돌리는 것이 아니라, 얼마나 빠르게 가고 있는지, 얼마나 강하게 브레이크를 밟고 있는지 느끼며 운전합니다. 이 새로운 AI 도 마찬가지입니다. 그것은 곡선, 속도, 가속도를 보고 자동차의 한계를 '느낍니다'. 자동차가 흔들리거나 떨리는 것을 막기 위해 핸들을 어떻게 수정해야 하는지 학습하며, 자동차를 안정적으로 유지하기 위해 핸들을 얼마나 돌려야 하는지 정확히 아는 초지능 조종사와 같은 역할을 합니다.
속도계 (온라인 속도 재계획):
이는 '비상 버튼' 또는 '스마트 조정기'입니다. 완벽한 지도가 있더라도 자동차가 약간 미끄러지거나 요철을 만날 수 있습니다. 특정 코너에 대해 자동차가 너무 빠르게 가고 있다면, 이 모듈은 즉시 속도를 재계산합니다.
- 비유: 경주를 뛰고 있다고 상상해 보세요. 처음부터 끝까지 질주할 계획이었지만, 앞으로 웅덩이가 있는 것을 보게 됩니다. 당신의 뇌는 즉시 "좋아, 이 단계만은 속도를 늦추고 다시 질주하자"라고 말합니다. 이 모듈은 밀리초 단위로 그렇게 하여, 자동차가 타이어가 견딜 수 있는 속도보다 더 빠르게 가려고 시도하지 않도록 보장함으로써 추락을 방지합니다.

실험: 로봇을 위한 '체육관'

그들은 두 개의 다른 실내 트랙에서 1:10 스케일의 로봇 자동차 (RoboRacer) 로 이를 테스트했습니다. 그들은 세 가지 유형의 테스트를 수행했습니다:

'신중한' 테스트: 여유 공간이 충분하도록 안전하게 주행.
'일반적인' 테스트: 자동차를 일반적인 한계까지 밀어붙임.
'공격적인' 테스트: 물리적으로 가능한 절대적인 한계까지 자동차를 밀어붙임.

그들이 발견한 것

새로운 조향 뇌가 승리: 그들이 새로운 'MS-NN' 조향 제어기를 자동차에 추가했을 때, 주행이 훨씬 더 매끄러워졌습니다. 그것은 자동차가 흔들리거나 과도하게 수정하는 것 (신경질적인 운전자가 핸들을 급격히 움직이는 것과 같은) 을 멈추게 했습니다. 이로 인해 자동차는 더 안정적이고 빨라졌습니다.
속도 조정이 핵심: '속도 조정기 (Velocity Replanning)' 없이 '공격적인' 트랙에서 주행하려고 시도했을 때, 자동차는 추락했습니다. 그것은 코너에 비해 너무 빠르게 가려고 했습니다. 하지만 속도 조정기를 켜자, 자동차는 안전하게 코너를 돌기 위해 필요한 만큼만 속도를 늦춘 후 다시 가속했습니다. 이는 추락을 막아주었고, 속도를 크게 높여주었습니다.
최고의 조합: 가장 빠른 설정은 '지도 읽는 사람' + '새로운 조향 뇌' + '속도 조정기'였습니다. 이 조합은 기존 방법들에 비해 랩 시간을 약 8% 단축시켰습니다. 이는 레이싱에서 엄청난 성과입니다.

결론

연구자들은 계획, 조향, 속도 제어 등 서로 다른 부분들이 완벽하게 협력하는 모듈식 시스템을 구축할 수 있음을 증명했습니다. 그들은 조향 제어기에 '물리 인식' 뇌를 제공하고 실시간 속도 조정기를 추가함으로써, 작은 로봇 자동차가 추락 없이 자신의 능력의 한계에서 주행할 수 있음을 보여주었습니다.

그들은 모든 코드, 데이터, 비디오를 공개하여 과학 커뮤니티 전체에 '청사진'을 제공했습니다. 이를 통해 다른 사람들은 그들의 '레이싱 카 뇌'에서 배워 미래에 더 나은 자율 주행 차량을 구축할 수 있게 되었습니다.

기술 요약: 로보레이서 플랫폼에서의 한계 근처 궤적 계획 및 제어

문제 제기

자율 주행의 발전에도 불구하고, 차량의 조종 한계 근처에서 고가속도 기동을 계획하고 실행하는 것은 여전히 중요한 과제로 남아 있습니다. 자율 레이싱은 이러한 전략을 위한 안전한 테스트베드 역할을 하지만, 실제 세계의 고가속도 시나리오에서 새로운 계획 및 제어 방법을 평가하는 오픈소스 벤치마크는 부족합니다. 또한, 모델 구조 신경망 (MS-NN) 과 온라인 시간 최적 속도 재계획이 시뮬레이션에서 유망한 결과를 보였음에도 불구하고, 실제 레이싱을 위한 통합 모듈형 계획 - 계획 - 제어 (PPC) 스택 내에서의 폐루프 성능은 대부분 탐구되지 않았습니다. 기존 접근 방식은 한계 근처에서 종방향 및 횡방향 동역학의 비선형 결합에 종종 어려움을 겪으며, 완전한 엔드 투 엔드 방법은 일반화와 신뢰할 수 있는 실제 세계 전이에서 여전히 과제를 안고 있습니다.

방법론

저자들은 1:10 스케일 로보레이서 플랫폼에 배포된 모듈형 프레임워크를 제시하며, 한계 근처의 궤적 계획 및 제어를 해결하기 위해 네 가지 핵심 요소를 통합합니다:

오프라인 시간 최적 레이선 생성: 점질량 모델과 최적 제어 문제 (OCPs) 를 사용하여, 사용자가 정의한 가속도 및 속도 제약 조건 (g-g-v 다이어그램) 에 기반한 전역 시간 최적 레이선을 생성합니다. 공격성 수준은 세 가지로 정의됩니다: 신중 (Cautious)(보수적이며 재계획 없이 추적 가능), 표준 (Nominal)(기하학적 제어기를 한계까지 밀어붙임), 확장 (Extended)(실행 가능성을 위해 온라인 재계획 필요).
기하학적 경로 추적: 국소 경로 곡률 참조 ( $\rho$ $ρ$ ) 를 생성하기 위해 두 가지 제어기를 비교합니다:
- 퓨어 퍼시트 (PP): 현재 차량 포즈를 전방 시점과 원호로 연결합니다.
- 클로소이드 기반 (CL): 현재 포즈와 곡률을 전방 시점과 $G^2$ 클로소이드를 사용하여 연결하여 위치, headings, 곡률의 연속성을 보장합니다.
온라인 시간 최적 속도 재계획: 순방향 - 역방향 (FBGA) 최적화기가 시간 최적 속도 및 가속도 프로파일 ( $v, a_x, a_y$ ) 을 온라인으로 계산합니다. 이 모듈은 실행 오차와 다양한 트랙 조건을 보상하며, g-g-v 다이어그램으로 정의된 차량의 비선형 제약 조건에 맞춰 속도 프로파일을 적응시킵니다.
조향을 위한 모델 구조 신경망 (MS-NN): 새로운 MS-NN 은 미래 참조 신호 (곡률, 속도, 종방향/횡방향 가속도) 를 기반으로 조향 명령 ( $\delta$ $δ$ ) 을 생성합니다.
- 아키텍처: 네트워크는 제어를 *준정상 (quasi-steady-state)*항과 *과도 (transient)*항으로 분리합니다. 정상 상태 항은 속도 및 가속도에 기반한 운동학적 조향에서의 편차를 포착하는 핸들링 다이어그램 (HD) 에서 영감을 받은 비선형 매핑을 학습합니다. 과도 항은 속도 의존성 게이트 함수를 사용하여 동적 지연 및 과도 효과를 학습합니다.
- 학습: 폐루프 데이터에 대한 지도 학습으로 훈련된 MS-NN 은 물리적으로 해석 가능하도록 설계되었으며, 가중치는 차량 동역학 (예: 조향 응답 지연) 을 반영합니다.

주요 기여

본 논문은 다음과 같은 구체적인 기여를 합니다:

통합 벤치마크: 기하학적 제어기, MS-NN 조향, 온라인 속도 재계획을 통합된 폐루프 스택으로 결합하여 실제 세계 자율 레이싱을 위한 최초의 오픈소스 시간 최적 계획 및 제어 핸들링 한계 벤치마크를 도입합니다.
새로운 MS-NN 아키텍처: 물리적 해석 가능성을 유지하면서 고가속도에서의 조향을 위한 비선형 결합 종방향 - 횡방향 동역학을 학습하는 확장된 MS-NN 을 제안하며, 저가속도 기동을 위해 설계된 이전 베이스라인보다 우수한 성능을 보입니다.
포괄적인 절전 연구: 다양한 레이선 공격성을 가진 두 개의 트랙에서 실험을 통해 개별 모듈 (PP 대 CL, MS-NN 유무) 과 그 조합 (FBGA 재계획 유무) 의 영향을 정량화합니다.
공개 배포: 향후 연구를 지원하기 위해 모든 소프트웨어 모듈, 데이터셋, 비디오 및 결과를 공개합니다.

실험 결과

실험은 NVIDIA Jetson Orin Nano 가 장착된 1:10 로보레이서 차량을 사용하여 두 개의 실내 코스 (트랙 A 및 트랙 B) 에서 수행되었습니다.

MS-NN 성능: 제안된 MS-NN 은 베이스라인 MS-NN 대비 검증 세트에서 조향 예측 오차 (RMSE) 를 10.6% 감소시키고 설명되지 않는 분산 비율 (FVU) 을 22.7% 개선했습니다. 또한 조향 진동을 크게 줄였으며 (예: PP + MS-NN 대비 PP 단독의 RMS 조향 속도 36.4% 감소) 경로 추적 정확도를 향상시켰습니다.
속도 재계획 (FBGA) 의 영향: 온라인 속도 재계획은 한계에서 작동하는 데 결정적이었습니다.
- FBGA 없이 "확장"(가장 공격적인) 레이선 추적을 시도하면 동적 비실행성으로 인해 충돌이 발생했습니다.
- FBGA 를 사용하면 시스템이 확장된 g-g-v 포락선을 안전하게 활용할 수 있어 더 높은 최대 속도 (4.522 m/s 대 4.007 m/s) 와 가속도 (9.050 m/s² 대 6.639 m/s²) 를 달성했습니다.
- 가장 좋은 구성 (PP + MS-NN + FBGA) 은 표준 포락선에서 재계획이 없는 동일한 제어기 대비 랩 타임 8.3% 개선(6.089 초)을 달성했습니다.
제어기 비교: 곡률 연속성을 가진 CL 제어기에도 불구하고, 순수 퍼시트 (PP) 와 MS-NN 의 조합은 랩 타임 및 계산 효율성 측면에서 일관되게 클로소이드 기반 (CL) 접근 방식을 능가했습니다.
실시간 실행 가능성: 전체 소프트웨어 스택은 임베디드 플랫폼에서 150Hz 로 실행됩니다. 평균 누적 실행 시간은 6.7ms 사이클 제한 미만이며, MS-NN 추론은 평균 2.3ms 입니다.

중요성 및 주장

본 논문은 제안된 프레임워크가 시뮬레이션 기반 연구와 한계에서의 실제 세계 자율 레이싱 간의 간극을 성공적으로 연결한다고 주장합니다. 해석 가능한 MS-NN 이 모델링되지 않은 동역학을 효과적으로 포착할 수 있음을 입증하고, 공격적인 제약 하에서 동적 실행 가능성을 유지하기 위해 온라인 속도 재계획이 필수적임을 보여줌으로써, 저자들은 고성능 자율 제어를 위한 검증된 방법론을 제공합니다. 이 작업은 기하학적 제어기가 기준선을 제공하지만, 차량의 전체 동적 포락선을 안전하게 활용하기 위해서는 학습 기반 조향 보정 및 최적화 기반 속도 계획의 통합이 필요함을 강조합니다. 벤치마크의 공개 배포는 표준화된 오픈 플랫폼을 제공함으로써 이 분야의 추가 연구를 촉진하는 것을 목표로 합니다.