AROLA: A Modular Layered Architecture for Scaled Autonomous Racing

Resumo Técnico: AROLA – Uma Arquitetura em Camadas Modular para Corrida Autônoma em Escala

Problema
O campo da corrida autônoma em escala, particularmente em plataformas como o RoboRacer (anteriormente F1Tenth), tem visto um crescimento rápido. No entanto, as pilhas de software desenvolvidas para esses sistemas frequentemente sofrem com fragmentação, designs monolíticos e um acoplamento rígido a hardwares específicos ou regras de competição. Essa falta de modularidade dificulta a reutilização, complica a comparação justa entre grupos de pesquisa e torna a avaliação sistemática difícil. Embora abordagens de aprendizado de ponta a ponta ofereçam alternativas, elas muitas vezes sacrificam a interpretabilidade e a manutenibilidade. Existe uma necessidade crítica de um framework aberto e em camadas que padronize interfaces, permita componentes intercambiáveis e suporte uma avaliação reprodutível sem depender de definições de mensagens customizadas.

Metodologia
Os autores propõem o AROLA (Autonomous Racing Open Layered Architecture), uma arquitetura de software modular e em camadas abertas, projetada para decompor o pipeline de direção autônoma em oito camadas distintas e intercambiáveis, conectadas via interfaces padrão do ROS 2:

1. Sensoriamento (Sensing): Aquisição de dados ambientais brutos via sensores embarcados.
2. Pré-processamento (Preprocessing): Filtragem, limpeza e fusão de fluxos de dados brutos para reduzir ruído e sobrecarga computacional.
3. Percepção (Perception): Atribuição de significado semântico aos dados (ex: identificação de limites de pista e obstáculos).
4. Localização e Mapeamento (Localization and Mapping): Um processo acoplado (SLAM) para determinar a pose do veículo e construir mapas.
5. Planejamento (Planning): Geração de trajetórias viáveis baseadas em dados de percepção e mapa.
6. Comportamento (Behavior): Governança da lógica de tomada de decisão (ex: via máquinas de estado ou árvores de comportamento) para determinar o que o veículo deve fazer.
7. Controle (Control): Execução de planos de movimento e compensação de imperfeições de atuação.
8. Atuação (Actuation): Execução física de comandos no hardware.

Para suportar a avaliação sistemática, os autores introduzem o Race Monitor, um framework de monitoramento leve baseado em ROS 2. O Race Monitor registra telemetria em tempo real (tempos de volta, qualidade da trajetória, carga computacional) e gera análises pós-corrida padronizadas usando o pacote evo. Ele publica dados em tópicos padrão do ROS 2, permitindo que controladores se inscrevam sem introduzir acoplamento, e suporta vários formatos de trajetória (CSV, TUM, KITTI).

Principais Contribuições
O artigo apresenta três contribuições primárias:

1. AROLA: Uma arquitetura de software modular e em camadas abertas que padroniza interfaces (usando tipos de mensagens padrão do ROS 2 como LaserScan, Odometry, OccupancyGrid e AckermannDriveStamped) para facilitar a intercambialidade de componentes e a substituição rápida de módulos.
2. Race Monitor: Um conjunto integrado de monitoramento e benchmarking em tempo real que permite a avaliação objetiva de desempenho, visualização de erro de trajetória e comparação consistente de estratégias de controle.
3. Validação: Validação experimental abrangente do framework tanto em ambientes simulados quanto em hardware físico utilizando a plataforma RoboRacer.

Resultos Experimentais
O framework foi validado durante a preparação para a competição RoboRacer IV25 e em experimentos pós-competição:

• Comparação de Controladores: Três controladores (Gap Follower, Pure Pursuit e MPC) foram avaliados. O Pure Pursuit alcançou os tempos de volta mais rápidos (melhor volta de 10,10 s) com carga computacional moderada (28% de CPU) e latência de controle de 18 ms, superando o MPC em velocidade, apesar do menor jerk do MPC. O Gap Follower foi o mais lento, porém o mais reativo.
• Desempenho na Competição: A configuração finalizada do AROLA garantiu o terceiro lugar na competição RoboRacer IV25 com um tempo de volta de 10,1 s.
• Avaliação do LQR: Uma avaliação pós-competição de um controlador LQR em um "Mapa Berlin" demonstrou a capacidade do sistema de registrar métricas detalhadas. O controlador LQR completou sete voltas com melhor tempo de 19,53 s e um alto índice de consistência (0,99), com o Race Monitor identificando com sucesso desvios de trajetória e desalinhamentos de escala.

Significância e Alegações
Os autores afirmam que o AROLA e o Race Monitor demonstram que a modularidade, interfaces transparentes e avaliação sistemática podem acelerar o desenvolvimento e melhorar a reprodutibilidade na corrida autônoma em escala. Ao reorganizar designs fragmentados em camadas padronizadas, a arquitetura reduz a barreira de entrada ao mesmo tempo em que preserva o poder expressivo necessário para corridas avançadas. O framework permite que equipes substituam componentes (ex: alterando controladores ou módulos de percepção) sem refazer toda a pilha e permite a comparação imparcial de estratégias sob condições idênticas. O artigo conclui que esta abordagem fornece uma base prática para iteração rápida, avaliação de desempenho justa e escalabilidade confiável na pesquisa de corrida autônoma.

Limitações e Trabalhos Futuros
Os autores reconhecem que a avaliação atual é limitada em escopo, focando principalmente em um pequeno conjunto de controladores em vez de toda a gama de módulos potenciais. O sistema permanece suscetível à propagação de erros através das etapas do pipeline, e a validação está centrada atualmente em uma plataforma de hardware específica. Trabalhos futuros visam melhorar as ferramentas para alinhamento de sistemas de coordenadas, estender a validação para diversos hardwares e simuladores, desenvolver um sistema de watchdog para prevenção de falhas e criar uma interface baseada na web para o Race Monitor. Além disso, os autores planejam explorar a integração de componentes baseados em aprendizado ou de ponta a ponta parcial dentro do framework modular, mantendo interfaces padronizadas.