A2RL 챌린지에서 한계 주행을 겨루는 자율 레이싱

초록

본 논문은 TUM Autonomous Motorsport 팀이 2024년 아부다비 Autonomous Racing League(A2RL)에서 우승하기 위해 개발한 전체 자율 레이싱 소프트웨어 스택을 소개한다. 모듈식 아키텍처, 라이다·레이다·GNSS 융합 기반 인식, 그립 맵을 이용한 제한 구역 표현, 70 m/s 수준의 고속 다중 차량 상황을 처리하는 계획·제어 알고리즘을 상세히 설명한다. 실험 결과, 팀은 실제 트랙에서 인간 운전자를 능가하는 성능을 입증하였다.

상세 분석

본 연구는 자율 레이싱이라는 극한 환경에서 요구되는 ‘안전·고성능·다중 에이전트 상호작용’이라는 세 축을 동시에 만족시키는 통합 시스템을 구현한 점에서 의의가 크다. 첫 번째로, 소프트웨어 아키텍처는 오프라인(레이스라인 최적화·그립 맵 생성·3D 포인트 클라우드 맵)과 온라인(센싱·플래닝·액션)으로 명확히 구분되어, 개발·테스트·배포 단계마다 독립적인 검증이 가능하도록 설계되었다. 특히, 추상화 레이어를 도입해 차량·대회·시뮬레이션 변화에 대한 의존성을 최소화함으로써 재사용성을 높였다.

두 번째로, 인식 파이프라인은 라이다와 레이더 데이터를 각각 전처리·클러스터링·딥러닝 기반 객체 검출로 처리한 뒤 EKF 기반 트래킹으로 융합한다. 라이다 전처리는 포인트 수를 200 000→4 000으로 감소시켜 실시간성을 확보하고, 레이더는 블라인드 스팟 보완에 활용한다. 이렇게 구축된 스택은 200 m 거리·70 m/s 속도에서도 0.1 s 이하의 지연으로 객체를 추적한다.

세 번째로, 로컬라이제이션은 GNSS가 부분적으로 차단되는 구간을 대비해 LiDAR·Radar 기반 포인트 클라우드 매핑과 IMU·Wheel‑Speed·Optical‑Velocity를 EKF에 통합한다. KISS‑ICP를 이용한 오프라인 맵 생성과 실시간 포인트 클라우드 매칭을 결합해 2 cm 수준의 위치 정확도를 달성한다.

네 번째로, 플래닝 단계에서는 ‘그립 맵’이라는 공간 제약 표현을 도입해 트랙 전역의 마찰·가속 한계를 사전 계산한다. 이를 기반으로 고속(70 m/s)에서도 실시간(≥20 Hz) 재계획이 가능한 최적화 기반 트래젝터리를 생성한다. 다중 차량 상황에서는 상대 차량의 예측 궤적을 고려한 회피·오버테이크 전략을 MPC와 함께 적용해 경쟁자를 앞서는 전술을 구현한다.

다섯 번째로, 제어는 계층형 구조로, 상위 레벨은 트래젝터리 추적을 위한 MPC, 하위 레벨은 스티어링·가속·브레이크 각각에 특화된 PID·피드포워드 제어기를 배치한다. 모델 불확실성·타이어 온도·마찰 변화를 실시간으로 보정하는 학습 기반 파라미터 튜닝을 적용해 인간 드라이버와 유사한 ‘그립 한계’ 주행을 가능하게 한다.

마지막으로, 시스템 검증은 오프라인 시뮬레이션·실제 트랙 테스트·A2RL 공식 경기 세 단계로 진행되었다. 특히, 경기 중 차량이 냉간 타이어 상태에서 스스로 타이어를 워밍업하고, 레이스 중 발생한 센서 결함을 자동 복구하는 로버스트성을 입증하였다. 이러한 전반적인 설계와 구현은 자율 레이싱 분야에서 ‘전체 파이프라인을 실전에서 검증한 최초 사례’로 평가될 수 있다.