기술 요약: CAPE – 학습된 차량 역학 모델 하에서의 제어 알고리즘 성능 평가

1. 문제 정의

자율 주행 레이싱은 급가속, 공격적인 코너링, 비선형 타이어 거동 등 차량 역학의 물리적 한계 근처에서 작동하며, 이로 인해 단순화된 고전적 모델(예: 표준 바이시클 모델)은 불충분합니다. 이러한 영역에서의 작은 모델링 오차는 폐루프 제어 성능을 불안정하게 만들 수 있습니다. 최근 연구에서는 예측 정확도를 높이기 위해 데이터 기반 및 하이브리드 학습 역학 모델(예: Deep Pacejka Model [DPM] 및 Deep-learning Dynamics Model [DDM])을 도입했지만, 학습된 역학 모델의 선택이 이질적인(heterogeneous) 폐루프 제어기의 성능에 어떻게 영향을 미치는지 체계적으로 벤치마킹하는 연구는 부족한 실정입니다. 기존 연구들은 대개 고정된 모델 하에서 제어기를 평가하거나, 고정된 제어기 하에서 모델을 평가하는 데 그쳐, 다양한 제어 아키텍처 전반에 걸친 강건성과 추종 정확도에 대한 역학 모델의 구체적인 기여도를 분리하여 입증하지 못했습니다.

2. 방법론

저자들은 학습된 차량 역학 모델 하에서 자율 주행 레이싱 제어기를 벤치마킹하기 위해 설계된 체계적인 방법론인 CAPE(Control Algorithm Performance Evaluation) 프레임을 제안합니다. 이 프레임은 다음 구성 요소들을 통해 작동합니다:

• 학습된 역학 모델: 본 연구는 세 가지 구별되는 모델을 비교합니다:
  1. Deep Pacejka Model (DPM): 바이시클 모델 구조를 유지하면서 학습 아키텍처 내에 Pacejka 타이어 힘 레이어를 삽erm합니다.
  2. Deep Dynamics Model (DDM): 단일 트랙 모델 내에서 Pacejka 계수와 구동계 저항을 추정하기 위해 물리적 제약이 있는 신경망을 사용합니다.
  3. Enhanced Physics Model (EPM): 제안된 모델로, 하중 민감형 타이어 힘, 종방향 하중 이동, 액추에이터 역학을 위한 학습된 파라미터를 결와 동적 단일 트랙 표현을 결합합니다. 이는 로우(raw) 상태값이 아닌 물리적으로 해석 가능한 계수를 예측하기 위해 컴팩트한 신경 파라미터 추정기(GRU 및 MLP 사용)를 채택합니다.
• 제어 아키텍처: 다섯 가지 이질적인 제어기가 각 모델에 대해 평가됩니다:
  • PID 제어
  • Robust Inverse of Signum Error (RISE) 제어
  • Nominal Nonlinear Model Predictive Control (N-NMPC)
  • Robust NMPC (R-NMPC)
  • Adaptive NMPC (A-NMPC)
• 외란 인지 시뮬레이션 파이프라인: 실제 레이싱 조건을 모사하기 위해, 프레임워크는 다음 항목들을 동시에 증가시키는 전역 외란 스케일링 인자($\eta$)를 주입합니다:
  • 승법적 측정 노이즈 (상태 피드백).
  • 프로세스 외란 (미모델링 역학).
  • 액추에이터 지연 (스티어링 레이턴시).
  • IMU 바이어스 드리프트.
  • 측풍 섭동.
  • 파라미터 불확실성 (질량, 타이어 강성, 마찰 한계).
• 실험 설정: 훈련과 테스트는 일반화 능력을 평가하기 위해 서로 다른 레이스 트랙(훈련용 Track 1, 테스트용 Track 2)에서 수행됩니다. 성능은 종방향/횡방향 추종 오차, 제어 노력, 랩 타임 완주 여부로 측정되며, 강건성을 주요 지표로 확보하기 위해 "실패(failure)"에 페널티를 부여합니다.

3. 주요 기여

본 논문은 세 가지 주요 기여를 명시합니다:

1. 통합 벤치마킹 프레임워크: 세 가지 서로 다른 학습된 역학 모델(DPM, DDM, 제안된 EPM) 하에서 이질적인 자율 주행 레이싱 제어기를 평가하는 체계적인 파이프라인(CAPE)을 구축했습니다.
2. 외란 인지 평가: 센싱, 구동, 모델링 불확실성을 체계적으로 주입하여 이상적인 시뮬레이션 조건을 넘어 제어기의 강건성을 엄격하게 연구하는 방법론을 제시했습니다.
3. 경험적 모델 비교: 모델 구조가 추종 정확도, 제어 노력 및 안정성에 어떻게 영향을 미치는지 보여주는 포괄적인 비교를 수행했습니다. 본 연구는 제어기 파라미터를 고정한 채 모델을 교체함으로써 역학 모델의 효과를 제어기와 분리하여 고립시켰습니다.

4. 결과

폐루프 실험을 통해 다음과 같은 핵심 결과가 도출되었습니다:

• EPM의 우수성: 모든 모델과 제어기에 걸쳐, 제안된 EPM은 가장 우수한 평균 랩 타임과 가장 낮은 추종 오차를 달성했습니다. 구체적으로, EPM과 결합된 Adaptive NMPC는 5.82초의 랩 타임을 기록하여, DPM(12.99초) 및 DDM(8.80초)보다 월등한 성능을 보였습니다.
• 불확실성 하에서의 강건성: 중간 수준의 전역 외란 스케일링 인자($\eta=1$) 조건에서, EPM은 베이스라인 모델들을 크게 앞질렀습니다:
  • 종방향 추종 오차 감소: (DPM 대비 29.0%, DDM 대비 17.2%)
  • 횡방향 추종 오차 감소: (DPM 대비 24.6%, DDM 대비 12.3%)
  • 평균 속도 크기 증가: (DPM 대비 39.9%, DDM 대비 3.1%)
• 실패율: 불확실성 범위($\eta \in [0, 5]$) 조사에서, EPM과 NMPC 변형들(Nominal, Robust, Adaptive)의 조합은 33회의 평가 모두에서 실패 0회를 기록했습니다. 반면, DPM과 DDM은 동일한 구성에서 각각 19회와 12회의 실패를 기록했습니다.
• 모델 복잡도 대비 성능: DPM보다 더 많은 파라미터를 보유했음에도 불구하고, EPM은 더 낮은 추론 지연 시간(0.063 ms vs 0.081 ms)과 더 높은 효율성을 보여주었습니다. 연구 결과, DPM은 깨끗한 환경에서는 잘 작동하지만 측정 노이즈가 발생하면 성능이 급격히 저하되는 반면, EPM의 하중 민감형 및 액추에이터 인지 파라미터화는 안정성을 유지한다는 점이 확인되었습니다.
• 절제 연구(Ablation Study): 내부 제어기 모델과 전파(propagation) 모델을 분리하여 분석한 결과, EPM 구성(내부 모델 및 전파 모델 모두에 사용 시)이 가장 정교한 레이스 라인 준수와 가장 빠른 랩 타임을 제공함을 확인했습니다.

5. 의의 및 주장

본 논문은 CAPE가 폐루프 제어 프레임워크 내에서 학습된 차량 역학 모델을 평가하기 위한 필수적인 체계적 벤치마크를 확립한다고 주장합니다. 저자들은 학습된 차량 역학 표현(특히 하중 민감형 힘과 액추에이터 역학을 포함하는 것)의 개선이 폐루프 제어기의 강건성과 성능에 대한 측정 가능한 이득으로 직접 연결된다는 것을 입증했습니다.

본 연구는 클래식 모델이 핸들링 한계 근처에서 실제 동작과 괴리가 있고 기존의 학습된 모델들이 예측력을 개선함에도 불구하고, 제안된 EPM이 실제적인 불확실성 하에서 제어기 강건성을 유의미하게 향상시킨다고 결론짓습니다. 저자들은 본 작업이 학습된 역학이 이질적인 제어 아키텍처 전반의 안정성과 성능에 어떤 영향을 미치는지 검증하는 단계로서의 의의를 가지며, 향후 강화 학습 정책 및 물리적 플랫폼에서의 실험적 검증으로 확장될 것임을 밝히며 마무리합니다.