Project 09 · Engineering · Planning & Control
AMCL + Hybrid-A* Autonomous Parking
Project Goal
국민대학교 자율주차 대회에서 제공된 정적 지도를 기반으로 주차 mission을 수행하기 위한 waypoint를 직접 정의하고, Nav2가 waypoint 사이의 경로를 생성·추종하도록 구성해 제한 시간 안에 자율주차 mission을 완료하는 것을 목표로 했다.
Waypoint / Mission Structure
31개의 waypoint로 주차 mission 구성
- 대회에서 제공된 정적 지도 위에 31개의 주행 목표 waypoint와 goal pose를 직접 정의했다.
- 각 waypoint는 연속 trajectory가 아니라 주행·조향·전후진 전환을 위한 mission 목표로 사용했다.
- mission manager가 각 goal pose를 Nav2 NavigateToPose action으로 순서대로 전달해 다음 목표까지 이동하도록 구성했다.
Nav2 Path Planning / Control
waypoint 사이 경로는 Nav2가 생성·추종
- 각 waypoint 사이의 실제 주행 경로는 Nav2의 SmacPlannerHybrid가 Reeds–Shepp motion model을 기반으로 생성했다.
- MPPI Ackermann controller가 생성된 경로를 Ackermann 차량 모델에 맞춰 추종하도록 구성했다.
Localization
VESC·IMU odometry와 정적 지도 기반 AMCL
- VESC 이동거리와 IMU gyro yaw를 이용해 odometry를 생성했다.
- 2D LiDAR scan과 대회 측에서 제공한 PGM/YAML 정적 지도를 AMCL에 입력해 주행 중 현재 위치를 지속적으로 갱신했다.
Gazebo Validation
Gazebo simulation 전체 mission 검증
- Gazebo simulation에서 31/31 mission stages를 완료했다.
- 두 차례 시험에서 105.1초와 113.6초를 기록했다.
- 실제 대회장 실차 기록이 아니라 Gazebo simulation 결과이며, 대회 제한 시간은 180초였다.
Real Competition / Limitation
임시 시험 환경과 실제 대회장의 차이
- 대회 전에는 실제 대회장이 아닌 별도의 임시 시험 환경에서 시스템을 개발하고 조정했으며, 그 환경에서는 waypoint 기반 주행이 가능했다.
- 실제 대회장에서는 IMU 오차와 LiDAR–map 정합 불안정으로 AMCL Localization이 흔들렸다.
- 실제 대회 환경에 맞춰 센서와 Localization, 주행 파라미터를 충분히 다시 보정할 시간이 부족해 시험 환경에서의 주행을 안정적으로 재현하지 못했다.
Insight
실차에서는 Localization reliability가 전체 주행을 좌우한다
- 경로 계획과 제어가 simulation에서 정상적으로 동작하더라도, 실차에서는 Localization의 안정성이 전체 주행 성능을 크게 좌우했다. 특히 임시 시험 환경에서 동작한 시스템도 실제 대회장의 센서 오차와 지도–scan 정합 차이에 따라 성능이 크게 달라질 수 있었고, 실제 환경에서의 반복 검증과 Localization 보정이 중요하다는 점을 경험했다.
Visual evidence
사진과 주행 기록
이미지나 영상을 누르면 크게 볼 수 있습니다.