[논문 리뷰] TUM autonomous motorsport: An autonomous racing software for the Indy Autonomous Challenge

Johannes Betz, Tobias Betz외 17명|arXiv (Cornell University)|2022. 05. 31.

Autonomous Vehicle Technology and Safety인용 수 4

한 줄 요약

이 논문은 인디애나폴리스 자율 레이싱 챌린지에 대비해 TUM이 개발한 자율 레이싱 소프트웨어 스택을 제시하며, 오벌 트랙에서 고속 자율 주행을 가능하게 하는 모듈러하고 시뮬레이션 기반의 개발 파이프라인을 특징으로 한다. 팀은 인디애나폴리스에서 1등, 라스베이거스에서 2등을 차지했으며, 최고 시속 270 km/h, 가속도 28 m/s²를 기록하여, 실시간 주행 감지, 위치 추정, 경로 계획, 제어 알고리즘의 통합과 함께 광범위한 실제 주행 및 시뮬레이션 테스트를 통해 차량의 물리적 한계에서 뛰어난 성능을 입증했다.

ABSTRACT

For decades, motorsport has been an incubator for innovations in the automotive sector and brought forth systems like disk brakes or rearview mirrors. Autonomous racing series such as Roborace, F1Tenth, or the Indy Autonomous Challenge (IAC) are envisioned as playing a similar role within the autonomous vehicle sector, serving as a proving ground for new technology at the limits of the autonomous systems capabilities. This paper outlines the software stack and approach of the TUM Autonomous Motorsport team for their participation in the Indy Autonomous Challenge, which holds two competitions: A single-vehicle competition on the Indianapolis Motor Speedway and a passing competition at the Las Vegas Motor Speedway. Nine university teams used an identical vehicle platform: A modified Indy Lights chassis equipped with sensors, a computing platform, and actuators. All the teams developed different algorithms for object detection, localization, planning, prediction, and control of the race cars. The team from TUM placed first in Indianapolis and secured second place in Las Vegas. During the final of the passing competition, the TUM team reached speeds and accelerations close to the limit of the vehicle, peaking at around 270 km/h and 28 ms2. This paper will present details of the vehicle hardware platform, the developed algorithms, and the workflow to test and enhance the software applied during the two-year project. We derive deep insights into the autonomous vehicle's behavior at high speed and high acceleration by providing a detailed competition analysis. Based on this, we deduce a list of lessons learned and provide insights on promising areas of future work based on the real-world evaluation of the displayed concepts.

연구 동기 및 목표

• 차량의 물리적 한계에 도달하는 고성능 모듈러 자율 레이싱 소프트웨어 스택을 개발하기 위해.
• 엄격한 시뮬레이션과 실제 주행 테스트를 통해 고속 오벌 트랙에서의 안전하고 신뢰할 수 있는 자율 레이싱을 가능하게 하기 위해.
• 자율 주행 알고리즘의 빠른 반복 및 검증을 지원하는 확장 가능하고 유연한 소프트웨어 개발 워크플로우를 구축하기 위해.
• 실제 대회 데이터에서 실질적인 통찰을 도출하여 향후 자율차 안전성 및 확장성 연구를 이끌기 위해.
• 자율차 공동체의 연구를 촉진하기 위해 소프트웨어 스택과 개발 파이프라인을 공개 자원으로 제공하기 위해.

제안 방법

• ROS 2를 사용한 실시간 통신을 통해 주행 감지, 위치 추정, 예측, 경로 계획, 제어 모듈을 통합한 모듈러 소프트웨어 아키텍처 설계.
• 배포 이전 테스트 및 알고리즘 검증을 위한 CARLA 기반 고정밀 시뮬레이션 환경 구현.
• Lucas Oil Raceway, 인디애나폴리스 서킷, 라스베이거스 서킷에서의 실제 트랙 테스트를 포함한 시뮬레이션, 하드웨어 인 더 루프(HIL), 실제 주행 테스트를 결합한 다단계 테스트 파이프라인 개발.
• 객체 검출을 위한 YOLOv5와 동적 장애물 예측을 위한 학습된 운동 모델을 활용한 고급 주행 감지 알고리즘 구현.
• 운동학적 및 동역학적 제약 조건 하에서 실시간 최적화를 수행하는 비선형 모델 예측 제어(NMPC)를 사용한 경로 계획 적용.
• 사전 매핑된 트랙 중심선과 차선 표시를 활용한 지도 기반 정밀화와 함께 GPS/IMU 사전 추정 기반의 하이브리드 위치 추정 방식 도입.

실험 결과

연구 질문

• RQ1 차량의 물리적 한계에 가까운 속도에서 자율 레이싱을 가능하게 하기 위해, 시뮬레이션 검증이 완료된 모듈러 소프트웨어 스택을 어떻게 개발할 수 있는가?
• RQ2 포괄적인 시뮬레이션 및 테스트 파이프라인은 고속 자율 레이싱에서 신뢰성과 안전성을 확보하는 데 어떤 역할을 하는가?
• RQ3 28 m/s²의 가속도와 270 km/h의 속도와 같은 극한의 동역학 조건에서 주행 감지, 예측, 제어 알고리즘이 어떻게 상호작용하는가?
• RQ4 다중 차량 시나리오로의 자율 레이싱 확장에 있어 주요 과제는 무엇이며, 소프트웨어 설계와 시뮬레이션을 통해 어떻게 해결할 수 있는가?
• RQ5 실제 자율 레이싱 경험에서 도출된 교훈은 공도 주행 및 향후 도시 자율주행 응용 분야로 어떻게 이식될 수 있는가?

주요 결과

• TUM 소프트웨어 스택는 라스베이거스 오버take 경쟁 중 최고 시속 270 km/h, 최대 가속도 28 m/s²를 기록하여 차량의 물리적 한계 근처에서의 주행 능력을 입증했다.
• 팀은 단일 차량 인디애나폴리스 서킷 경쟁에서 1등, 라스베이거스 서킷 다중 차량 오버take 경쟁에서 2등을 차지했다.
• 시뮬레이션 기반 개발 파이프라인은 실제 주행 테스트의 위험을 크게 감소시키고 주행 감지, 예측, 제어 알고리즘의 반복적 개선을 가능하게 했다.
• 실시간 장애물 예측과 함께 NMPC 기반 경로 계획을 통합함으로써 고속 조건에서 안전하고 공격적인 추월 주행이 가능했다.
• 모듈러하고 ROS 2 기반 아키텍처는 소프트웨어 유지보수의 효율성과 다양한 대회 형식 및 차량 구성에 대한 신속한 배포를 가능하게 했다.
• 대회 분석을 통해 특히 다중 모드 예측과 센서 노이즈 처리의 강건성은 고성능 자율 레이싱에 있어 핵심 요소임을 확인했다.