Autonomous racing is a new field of research that is gaining a lot of attention. Racing presents numerous research and development challenges due to the fact that a vehicle is driven at its perception, planning, and control limits. While the majority of autonomous driving research has focused on routine driving situations, achieving the safety and performance improvements of autonomous vehicles also requires a focus on driving under extreme conditions. This dissertation’s primary focus can be divided into three folds: 1. Design of autonomy system for the Indy Autonomous Challenge. 2. Imitation learning approach using hierarchical policy abstractions level for the 1:n player race. 3. Lessons and open research questions in the field of autonomous racing.
Our autonomous racing system mainly comprises perception, planning, control, and system status monitoring subsystems. Along with its performance, various critical aspects of field robotics (such as real-time computation capability, resiliency, and fault tolerance) are taken into account from a real-world deployment point of view. The proposed system was integrated into a full-scaled autonomous race car (Dallara AV-21) and extensively validated during field testing. Our system successfully performed all missions including overtaking at speeds over 200 kph in the CES 2022 Indy Autonomous Challenge(IAC), the world’s first head-to-head autonomous race.
Towards the fully autonomous race, which is analogous to races between professional human drivers, we proposed the imitation learning approach using hierarchical policy abstractions for planning and control. In the trajectory-level abstraction, our policy model outputs the imitation prior distribution, which indicates the likelihood of the expert’s future trajectory. Then, the model selects the maximum likelihood trajectory given a set of candidate trajectories and passes it to the control policy, trained to generate the control signal in a supervised fashion. The proposed imitation learning method is fully integrated with the aforementioned autonomous racing stack and evaluated using a high-fidelity racing simulator containing various baselines. The quantitative study results show that our method outperforms the other baseline methods in terms of planning accuracy. Further, closed loop simulation results show that our method can compete with other agents under challenging head-to-head race scenarios.
Last but not least, this dissertation delivers lessons and open research questions that we learned from the unique field experience using high-speed, full-scaled autonomous race vehicles. These are derived from the autonomous racing application but can also be applied to relevant robotics research providing future direction and insight.
자율 레이싱은 많은 관심을 받고 있는 연구 주제이다. 레이싱은 차량이 인지,계획 그리고 제어의 모든 영역에서 극한의 상황에서 동작한다는 점에서 다양한 연구 및 개발의 도전적인 문제가 존재한다. 기존 자율 주행 연구의 대부분이 일반적인 상황에 집중하였지만, 보다 안전하고 고도화된 자율 주행 기술을 위해서는 극한의 상황 속 주행에 관심을 갖을 필요가 있다. 이번 학위논문은 세 가지 주제로 구성되었다. 1. Indy Autonomous Challenge를 위한 자율 레이싱 시스템 개발. 2. 일대다 경주를 위한 계층적 정책 모델을 이용한 모방학습기법. 3. 자율 레이싱 분야에서의 교훈 및 추후 연구 분야.
우리의 자율 레이싱 시스템은 크게 인지, 계획, 제어 그리고 시스템 상태 모니터링을 담당하는 하위 시스템으로 구성되었다. 각 모듈의 성능 외에도, 우리는 실환경 운용 관점에서의 다양한 중요 요소들(실시간 계산성, 회복성, 내결함성)이 고려되었다. 제안하는 시스템은 실차 스케일의 자율 레이스카(Dalla AV-21) 에 통합되었다. 우리의 시스템은 지난 CES 2022 Indy Autonomous Challenge에서 열린 경기에서 시속 200 kph 이상으로 추월을 포함한 모든 미션을 성공적으로 수행하였다.
인간의 레이스 경기와 같은 완전 자율 레이싱을 위해, 경로 계획 및 제어를 위한 계층적 정책 추상화 구조의 모방 학습 기법을 제안하였다. 경로 레벨의 추상화 단계에서, 제안하는 정책 모델은 경로의 확률적 가능성을나타내는모방사후분포를예측한다. 그 후 모델은 주어진 경로 후보 중 모방 확률이 가장 높은 경로를 지도 학습 방법으로 학습된 제어 정책으로 전달하여 제어 신호를 생성한다. 제안하는 방법은 앞서 소개한 자율 레이싱 시스템과 통합되었으며, 다양한 베이스라인과 함께 평가되었다. 정략적 평가를 통해 제안하는 방법은 다른 베이스라인 기법들에 비해 높은 정확도를 보이는 것을 확인하였다. 나아가 폐루프 시뮬레이션 결과는 우리의 방법이 다수의 에이전트가 존재하는 도전적인 레이싱 시나리오에도 경쟁적으로 주행을 수행하는 것을 보여준다.
마지막으로, 해당 학위 논문은 고속, 실제 스케일의 레이스카를 이용한 특수한 필드 경험을 바탕으로 한 교훈과 추후 연구 주제를 제공한다. 이는 비록 자율 레이싱이라는 특수한 분야에서 유례되었지만 관련한 다양한 로보틱스 분야에 적용 가능하다.
