AROLA: A Modular Layered Architecture for Scaled Autonomous Racing

Technische Samenvatting: AROLA – Een Modulaire Gelaagde Architectuur voor Geschaalde Autonome Racing

Probleemstelling
Het veld van geschaalde autonome racing, met name op platforms zoals RoboRacer (voorheen F1Tenth), heeft een snelle groei doorgemaakt. De softwarestacks die voor deze systemen worden ontwikkeld, lijden echter vaak onder fragmentatie, monolithische ontwerpen en een nauwe koppeling aan specifieke hardware of wedstrijdregels. Dit gebrek aan modulariteit belemmert herbruikbaarheid, bemoeilijkt eerlijke benchmarking tussen onderzoeksgroepen en maakt systematische evaluatie moeilijk. Terwijl end-to-end leerbenaderingen alternatieven bieden, offeren zij vaak interpreteerbaarheid en onderhoudbaarheid op. Er is een kritieke behoefte aan een open, gelaagd framework dat interfaces standaardiseert, uitwisselbare componenten mogelijk maakt en reproduceerbare evaluatie ondersteunt zonder te vertrouwen op aangepaste berichtdefinities.

Methodologie
De auteurs stellen AROLA (Autonomous Racing Open Layered Architecture) voor, een modulaire, open-gelaagde softwarearchitectuur die ontworpen is om de autonome rij-pipeline te deconstrueren in acht afzonderlijke, uitwisselbare lagen die verbonden zijn via gestandaardiseerde ROS 2-interfaces. De architectuur volgt een top-naar-onder datastroom met conservatieve cross-layer interacties om modulariteit te waarborgen:

1. Sensing (Waarneming): Acquisitie van ruwe omgevingsgegevens via onboard sensoren.
2. Preprocessing (Voorbewerking): Filteren, opschonen en fuseren van ruwe datastromen om ruis en computationele overhead te verminderen.
3. Perception (Perceptie): Het toekennen van semantische betekenis aan gegevens (bijv. het identificeren van baanranden en obstakels).
4. Localization and Mapping (Lokalisatie en Kaartvorming): Een gekoppeld proces (SLAM) voor het bepalen van de voertuigpositie en het construeren van kaarten.
5. Planning (Planning): Het genereren van haalbare trajecten op basis van perceptie- en kaartgegevens.
6. Behavior (Gedrag): Het beheersen van de besluitvormingslogica (bijv. via state machines of behavior trees) om te bepalen wat het voertuig moet doen.
7. Control (Regeling): Het uitvoeren van bewegingsplannen en het compenseren voor imperfecties in de aandrijving.
8. Actuation (Aandrijving): Fysieke uitvoering van commando's op de hardware.

Om systematische evaluatie te ondersteunen, introduceren de auteurs Race Monitor, een lichtgewicht, op ROS 2 gebaseerd monitoringsframework. Race Monitor logt real-time telemetrie (rondetijden, kwaliteit van het traject, computationele belasting) en genereert gestandaardiseerde post-race analyses met behulp van de evo package. Het publiceert gegevens naar standaard ROS 2-topics, waardoor controllers kunnen abonneren zonder koppeling te introduceren, en ondersteunt diverse trajectformaten (CSV, TUM, KITTI).

Belangrijkste Bijdragen
Het artikel presenteert drie primaire bijdragen:

1. AROLA: Een modulaire, open-gelaagde softwarearchitectuur die interfaces standaardiseert (met gebruik van standaard ROS 2-berichttypen zoals LaserScan, Odometry, OccupancyGrid en AckermannDriveStamped) om componentuitwisselbaarheid en snelle modulevervanging te faciliteren.
2. Race Monitor: Een geïntegreerd real-time monitoring- en benchmarking-suite die objectieve prestatie-evaluatie, visualisatie van trajectfouten en consistente vergelijking van controlstrategieën mogelijk maakt.
3. Validatie: Uitgebreide experimentele validatie van het framework in zowel gesimuleerde omgevingen als op fysieke hardware met behulp van het RoboRacer-platform.

Experimentele Resultaten
Het framework werd gevalideerd tijdens de voorbereiding op de 2025 RoboRacer IV25 competitie en in post-competitie experimenten:

• Controller Vergelijking: Drie controllers (Gap Follower, Pure Pursuit en MPC) werden geëvalueerd. Pure Pursuit behaalde de snelste rondetijden (10,10 s beste ronde) met een matige computationele belasting (28% CPU) en een regelvertraging (18 ms), waarmee het MPC versloeg qua snelheid ondanks de lagere jerk van MPC. De Gap Follower was de traagste maar meest reactieve.
• Competitie Prestaties: De gefinaliseerde AROLA-configuratie behaalde de derde plaats in de RoboRacer IV25 competitie met een rondetijd van 10,1 s.
• LQR Evaluatie: Een post-competitie evaluatie van een LQR-controller op een "Berlin Map" demonstreerde het vermogen van het systeem om gedetailleerde metrieken te loggen. De LQR-controller voltooide zeven ronden met een beste tijd van 19,53 s en een hoge consistentiescore (0,99), waarbij Race Monitor succesvol trajectafwijkingen en schaalmisalignments identificeerde.

Significantie en Claims
De auteurs beweren dat AROLA en Race Monitor aantonen dat modulariteit, transparante interfaces en systematische evaluatie de ontwikkeling kunnen versnellen en de reproduceerbaarheid kunnen verbeteren. Door gefragmenteerde ontwerpen te reorganiseren in gestandaardiseerde lagen, verlaagt de architectuur de drempel voor deelname terwijl de expressieve kracht die nodig is voor geavanceerde racing behouden blijft. Het framework stelt teams in staat om componenten te wisselen (bijv. het veranderen van controllers of perceptiemodules) zonder de gehele stack opnieuw te ontwerpen en maakt een onbevooroordeelde vergelijking van strategieën onder identieke omstandigheden mogelijk. Het artikel concludeert dat deze aanpak een praktisch fundament biedt voor snelle iteratie, eerlijke prestatie-evaluatie en betrouwbare schaling in autonoom racing onderzoek.

Beperkingen en Toekomstig Werk
De auteurs erkennen dat de huidige evaluatie beperkt is in omvang en zich primair richt op een kleine set controllers in plaats van het volledige bereik van potentiële modules. Het systeem blijft gevoelig voor foutpropagatie door de verschillende fasen van de pipeline, en de validatie is momenteel gecentreerd rond een specifiek hardwareplatform. Toekomstig werk beoogt de tooling voor coördinatensysteem-uitlijning te verbeteren, de validatie uit te breiden naar diverse hardware en simulators, een watchdog-systeem te ontwikkelen voor preventie van fouten, en een web-gebaseerde interface voor Race Monitor te creëren. Daarnaast plannen de auteurs om de integratie van leer-gebaseerde of gedeeltelijke end-to-end componenten binnen het modulaire framework te verkennen, terwijl de gestandaardiseerde interfaces behouden blijven.