[논문 리뷰] Autonomous Electric Race Car Design

Niklas Funk, Nikhilesh Alatur외 13명|arXiv (Cornell University)|2017. 11. 01.

Robotic Path Planning Algorithms참고 문헌 7인용 수 9

한 줄 요약

이 논문은 스테레오 시각과 관성 센서를 사용한 teach-and-repeat 시각 주행 시스템을 기반으로 한 자율 전기 레이스카의 설계 및 실세계 검증을 제시한다. 이 차량은 도전적인 산길에서 안정적인 경로 추적(25 km/h에서 중앙 오차 ~10 cm)과 안전한 주행을 달성하였으며, 최소한의 인프라 의존성으로도 실세계 조건에서 시각 기반 국정 및 제어 분야의 최첨단 성능을 입증하였다.

ABSTRACT

Autonomous driving and electric vehicles are nowadays very active research and development areas. In this paper we present the conversion of a standard Kyburz eRod into an autonomous vehicle that can be operated in challenging environments such as Swiss mountain passes. The overall hardware and software architectures are described in detail with a special emphasis on the sensor requirements for autonomous vehicles operating in partially structured environments. Furthermore, the design process itself and the finalized system architecture are presented. The work shows state of the art results in localization and controls for self-driving high-performance electric vehicles. Test results of the overall system are presented, which show the importance of generalizable state estimation algorithms to handle a plethora of conditions.

연구 동기 및 목표

• 산길과 같은 복잡하고 비정형 환경에서 작동할 수 있는 저비용, 고성능 자율 전기차 플랫폼 개발
• GNSS, 차선 마킹, 사전 지도 없이도 시각 및 관성 센서만으로 자율 주행 구현
• 다중 제어 시스템과 실시간 운전사의 수동 제어 기능을 통해 안전성과 신뢰성 확보
• 특히 다양한 조도 조건과 동적 장애물에 대응하는 실세계 조건에서의 시스템 안정성 검증
• 고속 주행 및 고성능 자율 주행 환경에서의 시각 기반 teach-and-repeat 주행 기술의 실현 가능성 입증

제안 방법

• 차량은 11° 경사로 장착된 스테레오 시각-관성 센서(VI-Sensor)를 사용하여 환경 특징을 캡처하고, 시각 옹도메트리 및 SLAM을 통해 운동을 추정한다.
• Teach 단계에서는 차량의 경로를 기록하고, 시각 및 관성 데이터를 동시에 사용한 SLAM을 통해 시각적 특징 지ap을 구축한다.
• Repeat 단계에서는 특징 매칭을 통해 사전에 구축된 지도 내에서 차량의 위치를 국정하고, 기준 경로 추적 제어기를 사용해 기록된 경로를 따라간다.
• 실시간 장애물 탐지 기능을 위해 Velodyne VLP-16 LiDAR 센서를 활용하여 안전성을 확보하며, 특히 동적 또는 예측 불가능한 장애물에 대비한다.
• CAN 기반의 스티어링 및 브레이킹 시스템을 통해 차량 제어를 구현하고, 물리적 페달 조작을 통한 비상 제어 기능을 제공한다.
• 엔코더, IMU, 카메라에서 유입되는 센서 데이터는 ROS 기반 리눅스 컴퓨터에서 융합되어 실시간 상태 추정 및 제어를 수행한다.

실험 결과

연구 질문

• RQ1 시각 기반 teach-and-repeat 시스템이 산길과 같은 고속, 실세계 환경에서 신뢰할 수 있는 경로 추적을 달성할 수 있는가?
• RQ2 맑은 날과 흐린 날과 같은 다양한 조도 조건에서 시각 국정의 안정성은 어느 정도인가?
• RQ3 저비용 카메라 기반 시스템이 LiDAR나 GNSS와 같은 고정밀 센서를 얼마나 대체할 수 있는가?
• RQ4 다중 안전 장치가 자율 주행 중 사고를 방지하는 데 얼마나 효과적인가?
• RQ5 단일 시각 지도가 장시간 자율 주행을 지원할 수 있으며, 국정 드리프트와 재국정의 한계는 무엇인가?

주요 결과

• 차량은 최대 25 km/h 속도에서 중앙 경로 추적 오차 약 10 cm를 달성하였으며, 높은 속도에서 곡선을 더 효과적으로 통과하는 경향을 보였다.
• 일관된 조도 조건에서 최대 약 2.5시간 동안 국정을 유지했지만, 맑은 날과 흐린 날 간 전환 시 성능이 크게 떨어졌다.
• 재국정이 2초 이상 실패할 경우 국정을 상실하여 자율 주행이 자동으로 종료되었다.
• 시각 고정을 상실한 후 최대 2초 동안는 사라진 국정 모드로 운영되었으며, 횡방향 오차와 자세 오차는 각각 ±2미터 및 ±20도 이내로 제한되었다.
• 컨트롤러 명령 시 비상 브레이크 시스템이 20ms 이내로 작동하여 위급 상황에서 신속한 반응을 확보하였다.
• 운전사의 물리적 스티어링 및 브레이킹 조작이 테스트 기간 동안 가장 효과적이고 신뢰도 높은 안전 개입 수단으로 확인되었다.