스케일드 자율 레이싱을 위한 모듈형 레이어드 아키텍처 AROLA

초록

AROLA는 ROS 2 기반의 표준 인터페이스를 활용해 센싱·전처리·인식·지도·계획·행동·제어·구동 8개의 레이어로 자율 레이싱 파이프라인을 분리한 모듈형 소프트웨어 구조이다. 경주 중 실시간 라ップ 타임·경로 품질·컴퓨팅 부하를 기록하는 Race Monitor를 함께 제공해 재현 가능한 벤치마크를 가능하게 한다. 시뮬레이션과 RoboRacer 하드웨어에서 검증했으며 2025 RoboRacer IV25 대회에서 3위 성적을 기록했다.

상세 분석

AROLA는 스케일드 자율 레이싱 플랫폼에서 흔히 발견되는 ‘단일·폐쇄형’ 소프트웨어 스택의 문제점을 근본적으로 해결하고자 설계되었다. 가장 큰 특징은 레이어드 설계와 ROS 2 표준 메시지 활용이다. 센싱, 전처리, 인식, 로컬라이제이션·맵핑, 플래닝, 행동, 제어, 구동이라는 8개의 기능적 레이어를 명확히 구분함으로써 각 레이어를 독립적인 노드 혹은 패키지로 구현할 수 있다. 이는 새로운 알고리즘(예: 딥러닝 기반 인식, MPC 플래너)이나 하드웨어(다양한 라이다·카메라·컴퓨팅 보드) 교체 시 전체 파이프라인을 재작성할 필요 없이 해당 레이어만 교체하면 된다는 교체성을 제공한다.

ROS 2 인터페이스 표준화는 두 가지 측면에서 의미가 크다. 첫째, 메시지 호환성을 보장해 기존 ROS 2 툴(예: rviz, ros2bag)과 바로 연동할 수 있다. 둘째, 커스텀 메시지 정의를 최소화함으로써 다른 연구팀과의 공동 실험·재현성을 높인다. 특히 tf 프레임 관리와 ackermann_msgs 기반 구동 명령은 차량 동역학 모델과 직접 매핑돼 제어 루프의 지연을 최소화한다.

데이터 흐름은 기본적으로 위에서 아래로 순차 전파되지만, 필요 시 상위 레이어가 하위 레이어에 피드백을 주는 크로스 레이어 인터랙션을 허용한다. 이는 고속 레이싱에서 급격한 장애물 회피와 같은 상황에 유연하게 대응할 수 있게 한다.

Race Monitor는 AROLA와 독립적인 ROS 2 노드 집합으로, 라ップ 카운트, 라ップ 타임, 경로 오차, CPU/GPU 사용량 등을 실시간 토픽으로 퍼블리시한다. 로그는 ros2bag 형식으로 저장되며, 사후 분석에 evo 패키지를 활용해 odometry·SLAM 평가 지표를 자동 생성한다. 이 체계는 객관적인 성능 비교와 파라미터 튜닝을 가속한다.

실험에서는 RoboRacer 하드웨어와 공식 시뮬레이터 두 환경에서 AROLA를 적용했으며, Gap Follower, Pure Pursuit, MPC 세 종류의 컨트롤러를 동일한 레이어 구성으로 교체 테스트했다. 결과는 Pure Pursuit이 가장 짧은 라ップ 타임(10.10 s)을 기록했지만, MPC는 제어 지연과 CPU 부하가 크게 증가(55 %)하는 단점을 보였다. 또한 LQR 컨트롤러를 별도 실험에 적용해 일관된 라ップ 타임(표준편차 0.15 s)과 높은 트래킹 정확도를 확인했다.

한계점으로는 현재 실험이 제어 레이어 중심이며, 인식·맵핑·플래닝 모듈의 다양성을 충분히 검증하지 못했다는 점이다. 또한 파이프라인 전 단계에서 발생하는 오류 전파(error propagation) 문제는 여전히 존재한다. 향후 연구에서는 다양한 딥러닝 기반 인식·플래닝 모듈을 레이어에 삽입하고, 오류 전파를 완화하기 위한 불확실성 모델링 및 피드백 루프 강화가 필요하다.

전반적으로 AROLA는 스케일드 자율 레이싱 연구 커뮤니티에 표준화된 모듈형 프레임워크와 통합 벤치마크 툴을 제공함으로써 개발 속도와 결과 재현성을 크게 향상시킬 수 있는 실용적인 기반을 제시한다.