기술 요약: 자율 주행 레이싱을 위한 적응형 미분 가능 모델 예측 컨투어링 제어 (AD-MPCC)

1. 문제 정의

자율 주행 레이싱은 차량이 물리적 한계 내에서 작동하면서 랩 타임 최소화와 같은 성능 목표를 최적화해야 합니다. 모델 예측 컨투어링 제어(MPCC)가 트래킹 정확도와 레이싱 속도의 균형을 맞추는 표준 프레임워크로 자리 잡았으나, 변화하는 노면 조건과 같은 동적인 환경에서는 상당한 어려움에 직면합니다.

본 연구에서 다루는 주요 난제는 다음과 같습니다:

1. 모델 불확incity (Model Uncertainty): 레이싱에서 발생하는 불확실성의 지배적인 원인은 타이어-노면 상호작용이며, 이는 노면 상태(예: 아스팔트 대 자갈)에 따라 달라집니다. 표준 물리 기반 모델은 종종 고정된 파라미터를 가정하므로, 마찰력이 변할 때 부정확성을 초래합니다.
2. 목적 함수 가중치 적응 (Objective Weight Adaptation): 다중 노면 시나리오에서는 동적 모델(예: 타이어 마찰 파라미터)의 업데이트에 따라 안전과 성능을 유지하기 위한 MPCC 목적 함수 가중치의 대응적인 조정이 필요합니다. 그러나 이러한 가중치를 수동으로 튜닝하는 것은 비현식적이며, 표준 미분 가능 MPC 기술은 참조 궤적과 최적화 진행 변수(progress variable) 사이의 암시적 결합으로 인해 MPCC에 직접 적용하기 어렵습니다.
3. 실시간 제약 조건 (Real-Time Constraints): 미분 가능 프로그래밍이 가중치 최적화를 위한 메커니즘을 제공하지만, 고차원 최적화 문제를 온라인으로 해결하는 데 따르는 계산 부하는 실시간 레이싱 애플리케이션에서 매우 부담스러울 수 있습니다.

2. 방법론: AD-MPCC 프레임워크

저자들은 위의 과제들을 해결하기 위해 온라인 파라미터 추정과 미분 가능한 가중치 적응을 통합한 적응형 미분 가능 모델 예측 컨투어링 제어(AD-MPCC) 프레임워크를 제안합니다.

A. 온라인 Pacejka 파라미터 추정

변화하는 노면을 처리하기 위해, 본 프레임워크는 정규화된 이동 지평 추정(Regularized Moving Horizon Estimation, MHE) 기법을 채택합니다.

• 모델: 차량 역학은 횡력이 Pacejka "Magic Formula"에 의해 제어되는 동적 바이시클 모델(dynamic bicycle model)을 사용하여 모델링됩니다.
• 추정: 시스템은 최근의 차량 상태 및 입력 데이터셋을 사용하여 Pacejka 파라미터($\eta$, 마찰 계수 $B, C, D$ 포함)를 실시간으로 추정합니다.
• 메커니즘: MHE 목적 함수에는 다음이 포함됩니다:
  • 지수적 감쇠 가중치: 이를 통해 최근의 관측치에 우선순위를 두어 서로 다른 노면 사이의 전환을 빠르게 포착합니다.
  • 사전 정규화(Prior regularization): 추정치는 표준 도로 조건에서 유도된 명목 파라미터($\eta_{gt}$)를 향해 정규화되어 안정성을 보장합니다.
• 출력: 추정된 파라미터 $\eta_k$는 매 타임 스텝마다 업데이트되어 예측 모델에 입력됩니다.

B. 미분 가능 MPCC (Diff-MPCC)

추정된 역학에 따라 MPCC 목적 함수 가중치($q = [q_c, q_l, q_v]^\top$)를 자동으로 튜닝하기 위해, 저자들은 Diff-MPCC 접근 방식을 개발했습니다.

• 개념: 고정된 가중치 대신, 본 프레임워크는 장기 성능 비용 $\ell$을 최소화하도록 가중치를 최적화합니다.
• 미분: 이 방법은 MPCC 최적화 문제를 미분함으로써 가중치에 대한 성능 비용의 기울기($\partial \ell / \partial q$)를 계산합니다.
• 기술적 과제: 표준 MPC와 달리, MPCC는 참조 궤적을 최적화 진행 변수 $\theta$와 결합하는 암시적 진행 변수를 포함합니다. 이는 참조 경로에 대한 고차 미분을 요구합니다.
• 해결책: 저자들은 MPCC 문제의 카루시-쿤-터커(KKT) 최상 조건에 **음함수 정리(Implicit Function Theorem, IFT)**를 적용합니다. 배리어 방법(barrier method)을 통해 솔루션을 근사하고 결과적인 선형 시스템을 해결함으로써, 투영 경사 하강법(projected gradient descent)을 통해 가중치를 업데이트하는 데 필요한 기울기를 계산합니다.

C. Pacejka 정보 기반 머신 러닝 (PaIML)

전체 Diff-MPCC 최적화 루프를 온라인에서 실행하는 것은 계산 비용이 많이 들기 때문에, 저자들은 실시간 배포를 위한 PaIML 기술을 제안합니다.

• 오프라인 학습: Diff-MPCC 솔버에 의해 생성된 데이터로 지도 학습 모델을 훈련합니다. 데이터셋은 차량 상태 및 추정된 파라미터와 그에 대응하는 최적 가중치(Diff-MPCC에 의해 계산됨)로 구성됩니다.
• 물리 정보 기반 차원 축소: 입력 차원을 14에서 5로 줄이기 위해, 저자들은 Pacejka 모델의 물리적 구조를 활용합니다. 원시 파라미터를 직접 입력하는 대신, 모델은 다음을 사용합니다:
  1. Pacejka 파라미터로부터 유도된 마찰 계수 ($\mu_r, \mu_f$).
  2. 종방향 및 횡방향 속도 ($v_x, v_y$).
  3. 진행 변수 ($\theta$).
• 아키텍처: XGBoost 모델을 사용하여 이 5가지 입력을 최적의 MPCC 가중치로 매핑하며, 이를 통해 실시간 운용 중 빠르고 최적에 가까운 추론을 가능하게 합니다.

3. 주요 기여

본 논문은 세 가지 주요 기여를 강조합니다:

1. AD-MPCC 프레임워크: 변화하는 노면에서의 자율 주행 레이싱을 위해 차량 역학의 온라인 추정과 MPCC 목적 함수 가중치의 자동 적응을 결합한 새로운 제어 아키텍처입니다.
2. 사전 정규화된 MHE: 지수적 감쇠 가중치를 사용하여 Pacejka 파라미터를 빠르게 추정함으로써, 예측 모델이 노면 전환에 신속하게 적응하도록 보장하는 특정 추정 방식입니다.
3. 미분 가능 MPCC 및 PaIML:
   • 기울기 기반 가중치 튜닝을 가능하게 하는 MPCC용 미분 가능 프로그래밍 기술 개발.
   • 물리적 통찰력을 활용하여 입력 차원을 낮춤으로써 계산 복잡성을 줄이는 실시간 근사 방법(PaIML) 설계.

4. 시뮬레이션 결과

본 프레임워크는 Oschersleben 레이스 트랙을 사용하는 F1TENTH-Gym 환경에서 검증되었습니다.

A. 단일 노면 시나리오 (알려진 $\mu_{max} = 1.2$)

• 성능: Diff-MPCC와 AD-MPCC 모두 베이스라인 MPCC보다 랩 타임을 크게 단축했습니다.
  • Diff-MPCC: 가장 빠른 랩 타임(75.57초 대비 64.08초)을 달보았습니다.
  • AD-MPCC: Diff-MPCC(1.040m)보다 작은 평균 횡방향 오프셋(0.926m)과 함께 64.89초의 랩 타임을 달성하여, 속도와 안전 사이의 더 나은 트레이드오프를 보여주었습니다.
• 계산: 모든 방법이 50ms 샘플링 예산을 준수하였으며, AD-MPCC는 스텝당 약 24.18ms가 소요되었습니다.

B. 다중 노면 시나리오 (알려지지 않은 $\mu_{max}$가 0.7에서 1.2까지 변화)

• 안전성 및 강건성: 이 시나리오는 결정적이었습니다. 베이스라인 MPCC, A-MPCC(추정만 수행), Diff-MPCC(가중치 적응만 수행)는 모두 첫 번째 미끄러운 구간($\mu_{max} = 0.75$)에서 **충돌(crash)**했습니다.
• AD-MPCC의 성공: AD-MPCC만이 랩을 안전하게 완주할 수 있는 유일한 컨트롤러였습니다.
• 메커니즘: 온라인 추정이 마찰력 저하(예: 파라미터 $D_r$이 1.55에서 ~1.45로 감소)를 성공적으로 감지하였고, 가중치 적응이 안정성을 유지하도록 컨트롤러를 조정하여 11.65 m/s의 평균 속도와 1.069 m의 횡방향 오프셋을 달성했습니다.

5. 의의 및 주장

본 논문은 AD-MPCC가 모델 불확실성과 컨트롤러 적응성이라는 두 가지 과제를 해결함으로써 자율 주행 레이싱 제어 분야에서 중요한 진전을 이루었다고 주장합니다.

• 불확실성 속의 안전: 본 프레임워크는 다른 컨트롤러들이 실패하는 미지의 다중 노면 환경에서 안전한 차량 운행을 보장하는 유일하게 테스트된 방법입니다.
• 성능: 알려진 트랙에서 본 프레임워크는 표준 MPCC보다 약 11초 빠른 랩 타임을 달성합니다.
• 실용성: 미분 가능한 최적화와 물리 정보 기반 머신 러닝을 결结合함으로써, 저자들은 복잡하고 적응적인 제어 전략이 계산 예산을 초과하지 않고 실시간으로 배포될 수 있음을 입증했습니다.

저자들은 현재의 검증이 시뮬레이터 생성 데이터(F1TENTH-Gym)에 의존하고 있음을 언급하며, 향-후 연구는 실제 환경 배포와 안정성 및 강건성에 대한 더 깊은 이론적 분석에 집중할 것이라고 밝혔습니다.