Excitation-Aware On-Track System Identification at Full Scale

자율주행 레이싱 카는 단순히 빠른 것이 아니라, 끊임없이 추측합니다. 한계치까지 주행하기 위해서 컴퓨터는 타이어가 도로에서 현재 어느 정도의 접지력을 가지고 있는지 정확히 알아야 합니다. 이 접지력은 속도, 온도, 아스팔트 상태에 따라 변하기 때문에 차량의 두뇌에게 가장 결정적이면서도 파악하기 어려운 정보가 됩니다. 전통적으로 엔지니어들은 레이스 카를 멈춰 세우고, 테스트 트랙에서 천천히 원을 그리며 주행한 뒤 타이어를 측정하여 수학적 모델을 구축했습니다. 하지만 실제 경주에서는 테스트 트랙을 위한 시간이 없습니다. 차량은 경주를 하는 동시에 타이어를 학습해야 하며, 일반적인 랩(lap)에서 얻은 데이터를 사용하여 고무가 어떻게 반응하는지 파악해야 합니다. 이 과정을 '온 트랙 시스템 식별(on-track system identification)'이라고 부릅니다. 이것은 고도의 추론이 필요한 게임입니다. 차량은 고속으로 이동하는 동안 섀시의 가시적인 움직임을 통해 타이어의 비가시적인 특성을 추론해내야 합니다.

아인샴스 대학교와 아메리칸 유니버시티 오브 더 미들 이스트 연구진의 최근 연구는 실물 크기의 레이스 카가 주행 중에 스스로의 타이어를 학습하도록 가르치는 특정 방법을 조사했습니다. 그들은 1/10 크기의 소형 모델 카에서 잘 작동했던 시스템을 실물 크기의 포뮬러 스튜던트(Formula Student) 차량에 직접 이식하려고 시도했습니다. 기대치는 이 방법이 매끄럽게 규모를 키워 적용될 것이라는 점이었습니다. 그러나 연구진은 시스템이 미묘하지만 위험한 방식으로 실패하고 있다는 사실을 발견했습니다. 실물 크기의 차량으로 옮겨졌을 때, 식별 파이프라인은 서류상으로는 올바르게 보이지만 물리적으로는 불가능한 모델을 생성하여, 차량이 실제 가진 것보다 훨씬 더 많은 접지력을 가지고 있다고 믿게 만들었습니다. 고충실도 컴퓨터 시뮬레이션 내에서 수행된 이 연구는, 이러한 실패가 잘못된 수학이나 노이즈가 섞인 센서 때문이 아니라, 시스템이 자체적인 테스트 데이터를 생성하는 방식의 근본적인 결함 때문임을 밝혀냈습니다.

문제의 핵심은 시스템이 타이어를 분석하기 위해 "가상"의 테스트 주행을 생성하는 단계에 있었습니다. 원래의 소형 규모 설정에서는 이 가상 주행이 타이어의 한계를 드러내기에 충분했습니다. 하지만 실물 크기의 차량에서는 가상 시뮬레이션에 사용된 속도와 조향 각도가 너무 낮아서 타이어를 한계점까지 몰아붙이지 못했습니다. 가상 테스트가 타이어를 힘들게 일하게 하지 않았기 때문에, 시스템은 접지력이 어디서 끝나는지 알 수 없었습니다. 이는 마치 다리를 건너는 데 자전거를 타고 가서 다리의 무게 제한을 추측하려는 것과 같았습니다. 자전거는 다리에 스트레스를 주지 않을 것이므로, 추측하는 사람은 다리가 실제로 얼마나 많은 무게를 견딜 수 있는지 알 수 없을 것입니다. 결과적으로 컴퓨터는 누락된 정보를 추측으로 채웠고, 프로그래밍된 최대 한계치에 도달하는 값을 추측했습니다. 시스템은 타이어가 실제 능력보다 거의 4배나 더 큰 힘을 견딜 수 있다고 보고했습니다. 컴퓨터가 안전하다고 생각한 속도로 실제 차량이 주행하려고 할 때, 차량은 단순히 접지력을 잃고 트랙을 벗어나 버렸습니다.

연구진은 이 실패를 '흥분(excitation)'이라 알려진 개념의 문제로 추적했습니다. 시스템이 어떤 특성을 학습하려면, 그 특성을 드러낼 만큼 충분히 흥분되거나 자극되어야 합니다. 타이어 식별의 맥ang에서 차량은 접지력의 끝을 느낄 수 있을 만큼 강하게 주행되어야 합니다. 원래 시스템에서 사용된 가상 테스트 주행은 실물 크기의 차량에게는 너무 부드러웠습니다. 연구진은 가상 주행이 타이어가 실제로 제공할 수 있는 마찰력의 극히 일부만을 요구할 수 있다는 것을 계산했습니다. 데이터가 타이어 성능 곡선의 정점에 도달하지 못했기 때문에, 수학적 모델은 접지력이 낮은 타이어와 접지력이 높은 타이어를 구분할 수 없었습니다. 모델은 단순히 안전 한계치로 허용된 가장 높은 답을 선택했을 뿐입니다. 이는 잘못된 안도감을 조성했습니다.

이를 해결하기 위해 팀은 식별 파이프라인을 '흥분 인지형(excitation-aware)'으로 재설계했습니다. 그들은 실제 트랙에서 차량이 실제로 주행하는 속도에 따라 가상 테스트 주행이 속도와 조향 강도를 자동으로 조정하도록 시스템을 변경했습니다. 차량이 빠르게 움직이면 가상 테스트도 더 공격적으로 변하여, 타이어의 진정한 한계를 드러낼 만큼 충분한 힘을 요구하도록 보장했습니다. 또한 새로운 안전 점검 절차를 도입했습니다. 컴퓨터가 생성한 원시 숫자만 보는 대신, 결과 모델이 물리적으로 타당한지를 확인했습니다. 그들은 계산된 접지력 상한선이 도로가 실제로 지탱할 수 있는 수준보다 높지 않은지, 그리고 차량의 조향 동작이 안정적인지를 검증했습니다. 만약 모델이 이러한 물리적 검사를 통과하지 못하면, 시스템은 위험한 새 모델을 배치하는 대신 이전의 알려진 안전한 모델을 계속 사용하도록 했습니다.

이러한 변화의 결과는 시뮬레이션에서 극적이었습니다. 접지력이 일정한 정적 표면에서, 수정된 시스템은 타이어 강성을 3.2% 미만의 오차로 학습한 반면, 기존 시스템은 100% 이상의 오차를 보였습니다. 더 중요한 것은, 팀이 접지력이 서서히 줄어드는 표면(트랙이 젖거나 마모되는 상황을 시뮬레이션함)에서 시스템을 테스트했다는 점입니다. 기존 시스템은 잘못된 높은 접지력 추정치에 갇혀 접지력 상실을 감지하지 못했습니다. 시스템은 더 이상 안전하지 않은 속도로 계속 주행했고, 결국 두 번째 랩에서 차량이 트랙을 벗어나며 스핀했습니다. 그러나 수정된 시스템은 접지력이 약해지는 것을 감지했습니다. 타이어가 접지력을 잃고 있음을 깨닫고, 컨트롤러는 새로운, 더 낮은 한계치에 맞춰 기준 속도 프로필을 다시 조정했습니다. 이를 통해 차량은 변화하는 조건에 맞춰 속도를 조절함으로써, 이전과 동일한 정밀도로 세 번의 전체 랩을 완주할 수 있었습니다.

이 연구는 자율주행 차량에 대한 중요한 교훈을 줍니다. 데이터에 완벽하게 들어맞는 모델이 반드시 물리학을 이해하는 모델은 아니라는 점입니다. 연구진은 단순히 숫자가 안전한 범위 안에 있는지 확인하는 것만으로는 부족하며, 시스템이 학습에 사용하는 데이터가 실제로 그 한계를 테스트할 능력이 있었는지 확인해야 한다는 것을 발견했습니다. 시스템이 타이어에게 (진실을 드러낼 만큼 어려운) 올바른 질문을 던지도록 강제함으로써, 그들은 자동차가 거짓말을 믿는 것을 방지할 수 있었습니다. 이러한 결과는 시뮬레이션에서 달성되었지만, 수정 로직은 실제 자동차에도 적용되는 물리 법칙에 기반하고 있습니다. 연구진은 자율주행 레이싱이 안전하고 효과적이려면, 자동차가 컴퓨터가 말하는 대로 한계를 가정하는 것이 아니라, 자신의 능력 한계를 능동적으로 찾아 나서도록 설계되어야 한다고 결론지었습니다.