자율주행 자동차가 단 하나의 완벽한 트랙이 아니라, 저마다의 굴곡과 회전, 그리고 도전 과제를 가진 수천 개의 서로 다른 코스에서 학습하는 세상을 상상해 보십시오. 이것이 바로 자율주행 레이싱 연구의 목표이며, 이 분야는 기계가 고속으로 복잡한 환경을 탐색하는 방법을 가르치는 데 전념하고 있습니다. 이를 안전하고 저렴하게 수행하기 위해, 과학자들은 실제 차량의 물리 법칙을 모방한 소형 원격 제어 자동차를 사용합니다. 표준 섀시를 기반으로 제작되는 경우가 많은 이 미니어처 레이서들은 컴퓨터의 '두뇌'가 장애물에 어떻게 반응하고, 좁은 코너를 어떻게 통과하며, 충돌 없이 어떻게 제어력을 유지할 수 있는지 연구자들이 테스트할 수 있게 해줍니다. 하지만 이 기계들이 진정으로 숙련되기 위해서는 매우 다양한 트랙에서 연습해야 합니다. 만약 이들이 항상 몇몇 특정한 서킷에서만 경주한다면, 그 특정 경로에는 전문가가 되겠지만 새로운 경로에 직면했을 때는 실패하게 됩니다. 문제는 이러한 자동차들을 효과적으로 훈련시키기 위해 충분히 다양한 트랙을 만들어내는 과정에서, 수작업으로 이를 구축하느라 수년을 허비하지 않고 해결하는 것이었습니다.

연구진은 단순한 지도를 상세한 3차원 레이싱 환경으로 자동 변환함으로써 이 문제를 해결하는 '로보레이서 아레나(RoboRacer Arena)'라는 새로운 시스템을 개발했습니다. 이전에는 연구자들이 물리 법칙이 결여된 빠르고 단순한 컴퓨터 시뮬레이션을 사용하거나, 혹은 모든 트랙을 고유한 디지털 자산으로 수동 제작해야 하는 정교하고 상세한 3D 시뮬레이터를 사용하는 것 중 하나를 선택해야 하는 어려운 상황에 놓여 있었습니다. 새로운 시스템은 이 간극을 메워줍니다. 이 시스템은 바닥과 벽의 위치를 보여주는 격자 형태의 기본 지도(맵)를 입력받아, 장벽, 질감, 그리고 현실적인 충돌 규칙이 포함된 완전한 레이싱 세계를 즉각적으로 구축합니다. 이 과정은 순식간에 이루어지며, 이를 통해 자동차가 실제 세계에서 주행하는 것과 똑같이 달릴 수 있는 수백 개의 고유한 트랙을 생성할 수 있습니다.

연구진은 이 시스템이 매우 유연하게 작동할 수 있도록 세 가지 다른 유형의 입력을 처리하도록 설계했습니다. 첫째, 실제 경기 중에 자동차가 직접 기록한 지도를 사용할 수 있으며, 이는 실제 세계의 코스 레이아웃을 정확하게 포착합니다. 둘째, 유명한 풀사이즈 포뮬러 1(F1) 서킷을 미니어처 자동차 크기로 축소하여 원본 트랙의 유명한 곡선과 직선 구간을 그대로 보존할 수 있습니다. 셋-째, 아마도 가장 인상적인 점은, 시스템이 사람이 평이한 영어로 설명하는 트랙의 내용을 들을 수 있다는 것입니다. 만약 연구자가 "특정 방 크기 안에 세 개의 급격한 헤어핀 커브와 하나의 시케인이 있는 코스를 원한다"라고 말하면, 시스템은 이 요청을 이해하고 요청된 규칙에 부합하는 유효한 트랙을 생성합니다. 시스템은 단순히 추측하는 것이 아니라, 트랙이 구축되기 전에 그것이 물리적으로 가능한지, 적절한 수의 회전 구간을 갖추었는지, 그리고 요청된 공간 안에 들어맞는지 확인하기 위한 엄격한 검증 절차를 따릅니다.

이를 위해 연구진은 마치 매우 규율 잡힌 건축가처럼 작동하는 파이프라인을 만들었습니다. 요청(지도 또는 문장)이 들어오면, 시스템은 먼저 그 아이디어가 실현 가능한지부터 확인합니다. 요청된 회전 구간이 공간 안에 들어갈 수 있는지, 그리고 트랙이 경주를 하기에 충분히 긴지를 계산합니다. 만약 요청이 불가능하다면 즉시 거부합니다. 요청이 가능하다면, 시스템은 벽과 바닥이 완벽하게 정렬되도록 격자 기반 방식을 사용하여 트크를 구축합니다. 그런 다음 이 격자를 물리 엔진이 이해할 수 있는 3D 모델로 변환하며, 여기에는 자동차가 부딪힐 수 있는 보이지 않는 벽과 타이어가 접지력을 얻을 수 있는 질감이 있는 바닥이 포함됩니다. 단순한 아이디어나 평면 지도에서 주행 가능한 3D 환경에 이르기까지, 이 전체 과정은 1.18초에서 2.48초 사이에 완료됩니다. 이 속도 덕분에 연구자들은 단 몇 분 만에 130개의 서로 다른 트랙 라이브러리를 생성할 수 있으며, 이는 기존 방식으로는 며칠 또는 몇 주가 걸렸을 작업입니다.

시스템은 약속된 대로 작동하는지 확인하기 위해 엄격하게 테스트되었습니다. 10개의 서로 다른 트랙과 여러 차례의 시도를 포함한 일련의 시험에서, 시스템은 모든 안전 및 설계 검사를 통과하며 매번 유효한 지도를 생성하는 데 성공했습니다. 연구진이 자연어 설명을 통해 트랙 구축을 요청했을 때, 시스템은 요구 사항을 정확하게 해석하고 명세에 부합하는 트랙을 만들어냈습니다. 또한 연구진은 시스템이 제27회 로보레이서 자율주행 경진대회 중에 기록된 지도와 같은 복잡한 실제 데이터를 처리하여 정확한 3D 시뮬레이션으로 변환할 수 있음을 검증했습니다. 나아가, 연구진은 수백 대의 자동차를 동시에 실행할 수 있도록 시스템을 확장했습니다. 벤치마크 테스트에서 시스템은 256대의 자동차를 동시에 구동하여 8,700단계 이상의 이동 단계를 시뮬레이션해 냈으며, 이를 통해 대규모 훈련에 필요한 막대한 계산 부하를 처리할 수 있음을 증명했습니다.

이 연구가 중요한 이유는 속도뿐만 아니라 일관성과 다양성을 제공한다는 점에 있습니다. 연구진은 모든 트랙에 공통된 디지털 형식을 사용함으로써 실제 경기 지도, 축소된 F1 서킷, 컴퓨터로 생성된 코스를 하나의 통합된 훈련 환경으로 혼합하고 조합할 수 있다는 것을 발견했습니다. 이를 통해 자율주행 자동차는 이전보다 훨씬 더 넓은 범위의 노면과 레이아웃에서 학습할 수 있습니다. 또한 시스템에는 타이어의 접지력과 차량의 조향 방식까지 고려한 상세한 자동차 모델이 포함되어 있어, 시뮬레이션이 실제처럼 느껴지도록 보장합니다. 트랙을 설명하는 작업과 트랙을 구축하는 작업을 분리함으로써, 연구진은 논리가 투명하고 결과가 재현 가능한 시스템을 만들었습니다.

이 연구의 영향은 단순히 레이싱을 넘어섭니다. 다양하고 고도로 정밀한 환경을 빠르게 생성하는 능력은 예측 불가능한 실제 세계에서 작동하는 로봇을 훈련시키는 데 있어 매우 중요한 단계입니다. 창고를 탐색하는 배송 로봇이든, 새로운 도시의 거리에서 주행하는 자율주행 자동차든, 방대한 양의 시뮬레이션 시나리오에서 연습하는 능력은 안전과 신뢰성을 위해 필수적입니다. 로보레이서 아레나 시스템은 우리가 훈련장을 자동화하여 생성할 수 있음을 보여주며, 수동 설계라는 병목 현상을 제거합니다. 연구진은 생성한 130개의 트랙과 함께 그들의 도구를 공개하여 다른 이들이 이 토대 위에 연구를 쌓아 올릴 수 있도록 초대했습니다. 자율 로봇 분야가 발전함에 따라, 훈련 환경을 빠르고 안정적으로 확장하는 능력은 표준 요구 사항이 될 것이며, 이 시스템은 명확한 경로를 제시합니다.

결론적으로, 이 논문은 로봇 공학의 오랜 문제, 즉 막대한 비용을 들이지 않고 충분한 연습 데이터를 확보하는 방법에 대한 실질적인 해결책을 제시합니다. 단순한 지도와 텍스트 설명을 눈 깜짝할 사이에 복잡하고 물리 법칙이 적용된 세계로 변환함으로써, 연구진은 자율주행 차량에게 새로운 학습 방법을 제공했습니다. 이 시스템은 완벽하다고 주장하지 않습니다. 현재는 평탄한 트랙과 균일한 표면에서 가장 잘 작동하며, 고도 변화와 같은 더 복잡한 특징들은 여전히 개발 중임을 인정합니다. 그러나 소규모 레이싱 자동차를 훈련시킨다는 구체적인 목표를 위해서는, 이 시스템은 이미 시뮬레이션에서 그 가치를 입증한 견고하고 빠르며 유연한 도구입니다. 그 결과, 자동차가 경주할 수 있는 트랙의 수는 컴퓨터가 생성하는 속도에 달려 있을 뿐이라는 플랫폼이 탄생했습니다.