계층적 사전조정으로 충돌 없는 MPC 구현

초록

HPTune은 실행된 행동뿐 아니라 예측된 비실행 행동까지 평가하여 위험 지표를 기반으로 빠른 레벨 튜닝과 확장된 손실을 이용한 느린 레벨 튜닝을 계층적으로 결합한다. Doppler LiDAR와 칼만 필터를 활용해 장애물의 속도를 추정·예측하고, 이를 통해 안전거리와 닫힘 속도를 실시간으로 조정한다. 실험 결과, 복잡한 시뮬레이션 환경에서 기존 자동 튜닝 기법보다 통과율·주행 시간·제어 부드러움 모두에서 우수함을 보였다.

상세 분석

본 논문은 모델 예측 제어(MPC)에서 파라미터 자동 튜닝이 “실행된 행동”에만 의존하는 기존 접근법의 한계를 지적한다. 특히 장애물 근접이나 충돌과 같은 실패 이벤트가 드물어 파라미터 업데이트가 빈번히 일어나지 못한다는 문제를 ‘희소성’이라고 정의한다. 이를 해결하기 위해 저자는 ‘비실행 행동’—즉, 현재 계획 단계에서 예측된 미래 행동—을 평가에 포함시키는 계층적 사전조정(HPTune) 프레임워크를 제안한다.

HPTune은 두 개의 튜닝 레벨로 구성된다. Fast‑level은 고주파수 업데이트를 목표로 하며, 예측된 닫힘 속도(closing speed)와 근접 거리(proximity distance)라는 두 위험 지표를 계산한다. 닫힘 속도는 ego 차량과 장애물 사이 상대 속도를 거리 벡터에 투영한 값이며, 근접 거리는 예측된 ego와 장애물 경계 박스 사이 최소 거리를 의미한다. 이 두 지표의 비율을 tanh와 ReLU 함수로 매핑해 상황에 맞는 안전거리 보정값 ϕₕ₊₁,ₙ^proactive 를 도출한다. 이렇게 도출된 보정값은 기존의 고정 안전거리 ϕ_base 에 가산되어 MPC 제약식에 직접 반영된다, 따라서 계획 단계에서부터 위험을 회피하도록 유도한다.

Slow‑level은 저주파수에서 전체 손실 함수를 역전파하여 파라미터(α, β)를 업데이트한다. 손실은 세 부분으로 구성된다. L₁은 과거 T 스텝 동안 실행된 행동에 대한 추적 오차와 제어 노력의 가중합이며, L₂는 예측된 비실행 행동이 안전거리 이하로 침투했을 때 발생하는 패널티, L₃는 과도한 안전거리 보정을 억제하기 위한 ℓ₁ 정규화이다. 이들 손실을 η₁, η₂, η₃ 로 가중합한 L(t)을 T 스텝마다 역전파함으로써 파라미터를 점진적으로 조정한다.

핵심 기술적 기여는 두 가지이다. 첫째, Doppler LiDAR를 활용해 장애물의 속도 정보를 직접 측정하고, 이를 칼만 필터와 결합해 미래 상태를 고정밀로 예측한다. 기존 3D LiDAR가 제공하던 위치 정보만으로는 닫힘 속도 계산이 부정확했으나, Doppler 데이터는 선형 속도 성분을 제공해 위험 지표의 신뢰성을 크게 향상시킨다. 둘째, 위험 지표 기반의 실시간 안전거리 보정과 확장 손실 기반의 파라미터 최적화를 결합한 계층적 구조는 ‘사전‑반응형’ 튜닝을 가능하게 한다. 이는 기존의 ‘실패‑트리거형’ 튜닝과 달리, 위험이 실제 충돌로 이어지기 전에 미리 파라미터를 조정함으로써 업데이트 빈도를 크게 늘린다.

실험은 CARLA 시뮬레이터에서 4 × 4 m² 필드에 무작위로 움직이는 장애물 차량을 배치하고, HPTune과 기존 DiffTune‑MPC, RDA, OBCA를 비교하였다. 결과는 네 가지 주요 지표에서 HPTune이 우수함을 보여준다. (1) 통과율: 4~6개의 장애물 상황에서 최소 8.3 %·최대 46 % 향상, (2) 평균 가속도와 평균 저크가 가장 낮아 주행이 가장 부드러움, (3) 평균 통과 시간도 가장 짧아 효율적인 경로 선택, (4) 파라미터 업데이트 200회 정도에서 수렴해 튜닝 효율성이 뛰어남을 확인했다. 특히, 안전거리 PDF가 시간 전반에 걸쳐 연속적으로 조정되는 모습을 보이며, RDA처럼 위험 상황에만 반응하는 방식과는 달리 HPTune이 지속적인 사전 조정을 수행함을 시각적으로 입증했다.

이러한 결과는 HPTune이 ‘예측‑기반 사전조정’이라는 새로운 패러다임을 제시함을 의미한다. 위험 지표와 Doppler 기반 예측을 결합함으로써, MPC가 환경 변화에 보다 민감하고 적응적으로 동작하도록 만든다. 향후 실제 차량에 적용하기 위해서는 실시간 Doppler LiDAR 처리와 칼만 필터의 연산 부하를 최적화하고, 다양한 도로 시나리오(보행자, 비정형 장애물)에서도 동일한 효과를 검증하는 연구가 필요하다.