💻 computer science

Safe Overtaking for Autonomous Racing Using Hierarchical Optimization and Learning-Based Control

본 논문은 기동 선택을 위한 고수준의 혼합 정수 이차 계획법(Mixed-Integer Quadratic Program)과 안전 장벽 제약(safety barrier constraints)을 적응적으로 튜닝하기 위해 강화 학습 정책으로 강화된 비선형 모델 예측 제어(nonlinear Model Predictive Control) 컨트롤러를 결합하여, 수동 튜닝 없이도 다양한 트랙 조건에 걸쳐 강건한 안전-성능 트레이드오프를 달성하는 자율 주행 레이싱을 위한 계층적 추월 프레임워크를 제안한다.

원저자: Hassan Jardali, Kai Yin, Lantao Liu

게시일 2026-07-16

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hassan Jardali, Kai Yin, Lantao Liu

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

로봇이 단순히 부딪히는 것을 피하기 위해 엄격한 규칙을 따르는 것을 넘어, 서로를 제치기 위해 엄청난 속도로 경쟁하는 세상을 상상해 보십시오. 이것은 자율 주행 레이싱의 스릴 넘치고 긴박한 경기장입니다. 고속도로 위의 자율 주행 자동차가 부드럽고 편안한 승차감과 교통 법규의 엄격한 준수를 우선시하는 것과 달리, 레이싱 로봇은 승리하기 위해 타이어의 접지력 한계선 위에서 춤을 추어야 합니다. 이는 마치 자전거를 최고 속도로 타면서 저글링을 하는 것과 같으며, 목표는 충돌하지 않으면서도 가장 빠르게 달리는 것입니다. 이 스포츠의 가장 큰 과제는 추월입니다. 상대방과 부딪히거나 스핀아웃하지 않고 어떻게 옆을 파고들 수 있을까요? 이를 해결하기 위해 과학자들은 '제어 장벽 함수(Control Barrier Function, CBF)'라고 불리는 특별한 종류의 '안전망'을 사용합니다. 이것을 자동차 주변에 있는 보이지 않고 신축성 있는 거품이라고 생각하십시오. 이 거품은 "이 정도 속도로 갈 수 있지만, 가장자리에 너무 가까워지면 속도를 줄여야 한다"라고 말해줍니다. 까다로운 점은, 만약 이 안전 거품이 너무 딱딱하면 자동차가 겁쟁이가 되어 아무도 추월하지 못하게 된다는 것입니다. 반대로 너무 느슨하면 자동차가 충돌하게 됩니다. 문제는 이 안전 거품을 어떻게 하면 경주가 진행되는 동안 똑똑하게 조절하여, 언제 단단하게 하고 언제 느슨하게 할지 알게 만드느냐는 것입니다.

이 논문은 레이싱 로봇이 안전하고 공격적으로 추월하는 법을 가르치는 영리하고 새로운 방법을 소개합니다. 저자인 Hassan Jardali, Kai Yin, Lantao Liu는 로봇에게 두 개의 뚜렷한 사고 계층을 가진 뇌를 부여하는 것과 같은 '계층적' 시스템을 제안합니다. 첫 번째 계층은 '전략가(strategist)'입니다. 이 계층은 경주를 관찰하며 "왼쪽으로 추월하겠다" 또는 "오른쪽으로 추월하겠다"와 같은 크고 이산적인 결정을 내립니다. 이들은 혼합 정수 이차 계획법(Mixed-Integer Quadratic Programming, MIQP)이라는 수학적 도구를 사용하여 이 퍼즐을 해결하며, 본질적으로 자동차가 움직이기 전부터 교통 흐름 사이의 최적 경로를 선택합니다. 두 두 번째 계층은 '조종사(pilot)'입니다. 전략가가 추월할 방향을 정하면, 조종사는 모델 예측 제어(Model Predictive Control, MPC)라는 정교한 컨트롤러를 사용하여 실제로 자동차를 조종하며, 물리 법칙을 준수하고 벽에 부딪히지 않도록 합니다.

하지만 저자들은 기존의 안전 거품이 작동하는 방식에 문제가 있음을 발견했습니다. 전통적으로 안전 거품의 '경직도(stiffness)'는 인간 엔지니어에 의해 고정된 숫자로 설정됩니다. 이것은 직선 고속도로를 달리든 급커브를 돌든 상관없이 항상 일정한 속도 제한을 두는 크루즈 컨트롤을 운전하는 것과 같습니다. 논문은 이러한 고정된 접근 방식이 너무 경직되어 있다고 주장합니다. 이는 종종 자동차를 지나치게 조심스럽게 만들어 훌륭한 추월 기회를 놓치게 하거나, 매 트랙마다 끊임없는 수동 조정이 필요하게 만듭니다. 이를 해결하기 위해 팀은 강화 학습(Reinforcement Learning, RL)으로 구동되는 세 번째 요소인 '코치(coach)'를 추가했습니다. 이 코치는 실시간으로 경주를 지켜보며 안전 거품의 경직도를 즉석에서 조정합니다. 자동차가 상대방과 멀리 떨어져 있으면 코치는 자동차가 공격적으로 움직일 수 있도록 거품을 느슨하게 만듭니다. 자동차가 라이벌 바로 옆에 있으면 코치는 안전을 보장하기 위해 거품을 단단하게 조입니다.

연구진은 컴퓨터 시뮬레이션 상에서 인디애나폴리스 모터 스피드웨이와 라구나 세카를 포함한 네 곳의 유명한 레이스 트랙에서 이 세 부분으로 구성된 시스템을 테스트했습니다. 그들은 하나의 고정된 설정이 모든 트랙에서 잘 작동할 수는 없다는 점을 발견했습니다. 즉, 한 트랙에 완벽한 설정이 다른 트랙에서는 엉망이 될 수 있었습니다. 반면, 이들의 적응형 '코치'는 자동으로 안전 설정을 조정하는 법을 배웠습니다. 이 시뮬레이션에서 적응형 전략은 67%라는 가장 높은 전체 성공률을 달elle 성취했는데, 이는 자동차가 고정된 설정들보다 더 자주 충돌 없이 경주를 마쳤음을 의미합니다. 또한 이 시스템은 새로운 트랙에 맞춰 다시 튜닝할 필요 없이 더 많은 랩을 완주하고 더 많은 추월을 수행했습니다.

이것이 단순한 컴퓨터 기술이 아님을 증명하기 위해, 팀은 소형 축소형 레이싱 카를 제작하여 실제 환경에서 시스템을 테스트했습니다. 그들은 가상의 '유령' 상대 차량을 사용하여 경주를 시뮬레이션했습니다. 결과는 시스템이 자동차의 움직임을 따라갈 수 있을 만큼 충분히 빠르게 실행되어 밀리초 단위로 결정을 내릴 수 있음을 보여주었습니다. 실험을 통해 '전략가' 계층가 추월할 방향을 결정하는 것과 실제 운전법을 다루는 것을 분리하는 계층적 접근 방식이 매우 중요하다는 것이 확인되었습니다. '전략가' 계층을 제거하고 '조종사'가 스스로 추월 방향을 결정하도록 했을 때, 자동차는 혼란을 겪고 루프에 갇히거나 훨씬 더 자주 충돌했습니다.

요약하자면, 이 논문은 자율 주행 레이싱이 진정으로 경쟁력을 갖추고 안전해지려면 로봇에게 팀 접근 방식이 필요함을 시사합니다. 즉, 올바른 차선을 선택하는 전략가, 운전을 담당하는 조종사, 그리고 실시간으로 안전 규칙을 조정하는 스마트한 코치가 필요합니다. 이 시스템이 아직 완벽하지는 않지만(상대방의 움직임에 대한 일부 단순화가 여전히 존재함), 로봇이 스스로 안전 마진을 튜닝하도록 만드는 것이 사전에 완벽한 설정을 예측하려 노력하는 것보다 훨씬 더 나은 아이디어라는 점을 결과는 보여줍니다. 2026 IEEE/RSJ 국제 지능형 로봇 및 시스템 컨퍼런스(International Conference on Intelligent Robots and Systems)에 채택된 이 연구는 로봇이 단순히 안전하게 달리는 것을 넘어, 인간 챔피언처럼 대담하고 적응력 있게 경주할 수 있는 문을 열어줍니다.

기술 요약: 계층적 최적화 및 학습 기반 제어를 이용한 자율 주행 레이싱의 안전한 추월

문제 정의
자율 주행 레이싱에서는 에이전트가 랩 타임을 최소화하면서 충돌 회피를 보장하기 위해 차량 핸들링의 한계 내에서 작동해야 합니다. 추월은 경쟁적인 성능과 안전성을 비선형 역학 및 실시간 제약 조건 하에서 동시에 균형 있게 조절해야 하는 핵심적인 과제입니다. 모델 예측 제어(MPC)와 제어 장벽 함수(CBF)를 결합하는 방식은 안전 집합의 전방 불변성(forward invariance)을 인증하는 원칙적인 메커니즘을 제공하지만, 표준 구현은 종종 고정된 감쇠(fixed-decay) 이산 시간 CBF 공식에 의존합니다. 저자들은 이러한 고정 감쇠 방식이 상호작용이 빈번한 레이싱 시나리오에서 지나치게 보수적으로 작적으로 된다고 주장합니다. 명시적인 장기 매뉴버 인지 없이 각 타임 스텝에서 국소적으로 안전을 강제하면, 고정된 파라미터가 동적으로 회복 가능한 상태를 조기에 배제하여 추월 성능을 제한하고 다양한 트랙 조건에 따른 수동 튜닝을 필요로 하게 됩니다.

방법론
본 논문은 매뉴버 수준의 의사 결정과 안전이 인증된 궤적 제어를 명시적으로 분리하는 계층적 추월 프레임워크를 제안합니다. 이 아키텍처는 세 가지 주요 구성 요소로 이루어집니다:

상위 수준 이산 계획 (MIQP): 혼합 정수 이차 계획법(MIQP)은 추월 토폴로지 선택(예: 왼쪽 또는 오른쪽 추월)이라는 조합 최적화 문제를 해결합니다. Frenet 좌표계에서 작동하는 MIQP는 실행 가능한 추월 방향을 선택하고 매끄러운 횡방향 참조 궤적을 생성합니다. 이 계층은 매뉴버 선택의 비볼록성(non-convexity)을 연속 궤적 최적화로부터 격리하여, 순수 연속 플래너에서 흔히 발견되는 지역 최솟값(local minima) 문제와 진동 현상을 방지합니다.
하위 수준 궤적 제어 (MPC-DCBF): Frenet 좌표계에서 정의된 비선형 MPC는 MIQP가 생성한 참조 궤적을 추종합니다. 이는 차량 역학(운동학적 자전거 모델로 모델링됨)과 액추에이터 제한을 준수합니다. 안전은 속도 인지형 충돌 회피 집합의 전방 불변성을 강제하는 임베디드 이산 시간 제어 장벽 함수(DCBF) 제약 조건을 통해 보장됩니다. 재귀적 실행 가능성(recursive feasibility)을 보장하기 위해, 이러한 제약 조건은 슬랙 변수(slack variables)를 가진 소프트 제약 조건으로 구현됩니다.
적응형 안전 변조 (RL): 고정 감쇠 CBF의 민감도를 완화하기 위해, 강화 학습(RL) 정책이 온라인으로 DCBF 감쇠 파라미터( $\gamma$ )를 적응시킵니다. PASTA(Policy-optimization via Adaptive Smooth Tchebycheff Attention) 프레임워크를 사용하여, 에이전트는 컨텍스트(예: 상대 속도, 차량 간 거리, 트랙 기하 구조)에 따라 $\gamma$ 를 조절하는 법을 학습합니다. 이를 통해 시스템은 차량 입력에 직접 관여하거나 기본 안전 제약 구조를 변경하지 않고도, 상황에 따라 안전 마진을 동적으로 조정할 수 있습니다(예: 근접 상호작용 시에는 더 보수적으로, 안전할 때는 더 공격적으로 작동).

주요 기여

통합 계층적 아키텍처: 이산 호모토피(homotopy) 선택을 위한 상위 수준 MIQP와 하위 수준 MPC-DCBF 제어를 통합하였습니다. 이러한 분해는 결정 수준에서 비볼록성을 처리하는 동시에 제어 수준에서 동적 실행 가능성과 형식적 안전 인증을 유지합니다.
RL 기반 파라미터 적응: 이산 시간 CBF 감쇠 파라미터의 온라인 적응 메커니즘을 도입하였습니다. 이는 안전 제약의 수학적 구조를 유지하면서도 컨텍스트 의존적인 안전 변조를 가능하게 하여 보수성을 줄입니다.
실증적 검증: 다양한 트랙에서 단일 고정 감쇠 파라미터가 균일하게 강력한 성능을 달명할 수 없음을 보여주는 광범 시뮬레이션 및 스케일드 하드웨어 실험을 통해, 적응형 전략이 수동 튜닝 없이도 더 우수한 종합 성공률을 달성함을 입증하였습니다.

실험 결과
본 프레임워크는 운동학적 자전거 모델을 사용하는 커스텀 Python 시뮬레이션 환경에서 네 가지 트랙(Indianapolis Motor Speedway (IMS), Kentucky Speedway (KS), Laguna Seca (LS), Monza)을 대상으로 평가되었습니다.

성능: LS에서만 학습된 적응형 정책은 모든 트랙에서 가장 높은 종합 성공률(67%)을 기록하며 모든 고정 $\gamma$ 설정을 능가했습니다. 예를 들어, IMS에서 적응형 정책은 최적의 고정 $\gamma$ (0.70)가 달성한 68%보다 높은 72%의 성공률을 기록했습니다.
강건성: 고정 감쇠 파라미터는 트랙 기하 구조에 매우 민적였습니다. 특정 트랙에 최적화된 파라미터가 다른 트랙에서는 치명적인 실패를 초래하기도 했습니다. 반면 적응형 전략은 수동 튜닝 없이도 경쟁력 있는 성능과 안전성을 유지했습니다.
어블레이션 연구 (Ablation Study): MIQP 계층을 제거했을 때 성능이 크게 저하되었습니다(예: LS에서 적응형 전략의 성공률이 50%에서 20%로 하락). 이는 계층적 분해가 비볼록 환경에서 이산적 방향 선택 문제를 해결하는 데 필수적임을 확인시켜 줍니다.
실시간 실행 가능성: Intel i7-12700H CPU에서의 계산 프로파일링 결과, 총 지연 시간(MPC: ~1.6ms, MIQP: ~5.5ms, RL: ~0.8ms)은 20ms 제어 주기(50 Hz) 내에 충분히 머물렀습니다.
하드웨어: 가상 상대 차량이 포함된 F1TENTH 플랫폼에서의 스케일드 하드웨어 실험을 통해, 실제 센싱 및 구동 제약 조건 하에서도 본 프레임워크의 배포 가능성을 입증하였습니다.

의의 및 주장
본 논문은 제안된 계층적 프레임워크가 다중 차량 레이싱에서의 상충하는 목표인 안전성과 경쟁성 사이의 균형을 효과적으로 맞춘다고 주장합니다. 조합적 매뉴버 선택을 연속 제어와 분리하고 안전 마진을 위한 적응형 메커니즘을 채택함으로써, 시스템은 고정 파라미터 접근 방식이 도달할 수 없는 환경 변화에 대한 강건성을 달성합니다. 저자들은 이 방식이 CBF가 제공하는 형식적 보증을 희생하지 않으면서도 "컨텍스트 의존적인 안전 마진 변조"를 가능하게 한다고 강조합니다. 결론적으로, 적응형 전략은 소프트 포뮬레이션에서 슬랙 변수가 비활성화되어 있다는 가정에 기반하여 안전 보증을 유지하면서도, MPC-CBF 제어기의 실질적인 적용 가능성을 크게 향상시킵니다. 본 구현은 재현성을 지원하기 위해 오픈 소스로 공개되었습니다.

유사한 논문