Με την τεχνολογία τεχνητής νοημοσύνης, το Stanford Engineering και το Toyota Research Institute έχουν παρουσιάσει εδώ και καιρό το αυτόνομο drift, όμως τώρα ανεβάζουν το επίπεδο καταφέρνοντας να κάνουν ένα απολύτως αγωνιστικό διπλό drift χωρίς την παρέμβαση των οδηγών των δύο Toyota Supra που χρησιμοποιήθηκαν. όλα αυτά για να ξεκλειδώσουν νέες δυνατότητες για μελλοντικά συστήματα ασφαλείας.
Διαβάστε Επίσης
Οι επιστημονικές ομάδες από τους δύο φορείς διερευνούν τη δυναμική και τον έλεγχο οχημάτων σε ακραίες καταστάσεις ώστε να ικανοποιούνται όλο και πιο υπερβολικά σενάρια. Ερευνητές και στα δύο ιδρύματα έχουν αποδείξει ότι ένα αυτόνομο όχημα μπορεί να ελεγχθεί με ακρίβεια ακόμη και όταν λειτουργεί με τα πίσω ελαστικά να γλιστρούν εντελώς στα όρια τριβής. Αυτή η ικανότητα μπορεί, στο μέλλον, να βοηθήσει τα αυτοκίνητα να ανακάμψουν από ένα σπινάρισμα ή να διατηρήσουν τον έλεγχο σε έναν ολισθηρό χειμερινό δρόμο.
Το 2015, το Dynamic Design Lab στο Stanford Engineering παρουσίασε το MARTY, ένα ηλεκτρικό αυτόνομο DeLorean που μπορεί να εκτελεί σταθερά κυκλικά drift. Το 2022, οι ερευνητές του TRI έκαναν drift με ένα αυτοκίνητο σε μια πίστα αγώνων. Πρόσφατα, οι ερευνητές προκάλεσαν τους εαυτούς τους να εξερευνήσουν τα όρια αυτών των ιδεών, αναζητώντας το πιο δύσκολο πρόβλημα σχεδιασμού κίνησης και ελέγχου οχημάτων που μπορούσαν ποτέ να φανταστούν: το drift με δύο αυτοκίνητα.
Το tandem drifting, όπως ονομάζεται έγινε δημοφιλές στις ΗΠΑ από τη Formula Drift, είναι ένας αγώνες όπου δύο οδηγοί αγώνων κάνουν drift ταυτόχρονα. Ενώ το επικεφαλής όχημα επικεντρώνεται στην παρακολούθηση μιας ιδανικής γραμμής διατηρώντας υψηλή γωνία, το όχημα που το καταδιώκει έχει ένα πολύ πιο περίπλοκο έργο.
Πρέπει να κυνηγήσει το επικεφαλής αυτοκίνητο, διατηρώντας στενή εγγύτητα καθώς driftάρουν μαζί μέσα στην πίστα, αποφεύγοντας ταυτόχρονα τυχόν συγκρούσεις. Αυτό είναι ένα πολύτιμο πρόβλημα προς μελέτη για τα συστήματα αυτονομίας, επειδή απαιτεί από αυτά να εξισορροπήσουν πολλαπλούς αντικρουόμενους στόχους, όπως η αποφυγή συγκρούσεων, η παραμονή στο δρόμο και η αντίδραση σε άλλα οχήματα σε πραγματικό χρόνο.
Ο αυτόνομος αγώνας
Οι πρωταγωνιστές στον αγώνα που προέκυψε είναι το "Keisuke", το όχημα του Toyota Research Institute και το "Takumi", το όχημα του Stanford. Πρόκειται για δύο Toyota Supra με το Keisuke να αποδίδει 700 ίππους και το Takumi 520. Είναι φτιαγμένα με βάση τις προδιαγραφές ασφαλείας του Formula Drift.
Διαβάστε Επίσης
Ο Keisuke και ο Takumi είναι εξοπλισμένοι με υπολογιστές και αισθητήρες που τους επιτρέπουν να ελέγχουν το τιμόνι, το γκάζι και τα φρένα, ενώ παράλληλα ανιχνεύουν την κίνησή τους (π.χ. θέση, ταχύτητα και ρυθμό περιστροφής).
Ωστόσο, καθοριστικής σημασίας για τον ακριβή συντονισμό των δύο οχημάτων, είναι το γεγονός πως ο Keisuke και ο Takumi μπορούν να επικοινωνούν μεταξύ τους, μοιράζοντας ένα ειδικό δίκτυο WiFi, το οποίο τους επιτρέπει να ανταλλάσσουν πληροφορίες, όπως το πού βρίσκονται ο ένας σε σχέση με τον άλλον και τις τρέχουσες προγραμματισμένες τροχιές τους.
Για να driftάρουν, ο Takumi και ο Keisuke πρέπει να διαμορφώνουν συνεχώς τις εντολές τους για το τιμόνι, το γκάζι και το φρένο και την τροχιά που σκοπεύουν να ακολουθήσουν. Αυτό το κάνουν χρησιμοποιώντας μια τεχνική που ονομάζεται μη γραμμικός έλεγχος πρόβλεψης μοντέλου (Nonlinear Model Predictive Control - NMPC).
Κάθε όχημα ξεκινά με ένα σύνολο οδηγιών ή στόχων, που αναπαρίστανται μαθηματικά ως συνάρτηση και ένα σύνολο κανόνων ή περιορισμών που πρέπει να τηρούν. Στη συνέχεια, κάθε όχημα λύνει ένα πρόβλημα βελτιστοποίησης για να αποφασίσει ποιες θα πρέπει να είναι οι εντολές διεύθυνσης, γκαζιού και φρένων για τα επόμενα 2-3 δευτερόλεπτα ώστε να επιτευχθούν με τον καλύτερο δυνατό τρόπο οι στόχοι του.
Επεξεργάζονται αυτό το πρόβλημα έως και 50 φορές κάθε δευτερόλεπτο για να ανταποκριθούν στις ταχέως μεταβαλλόμενες συνθήκες. Ο στόχος της τεχνικής NMPC του Keisuke ως επικεφαλής όχημα είναι να διατηρήσει μια παρέκκλιση ακολουθώντας μια επιθυμητή διαδρομή, διατηρώντας τη μέγιστη γωνία διεύθυνσης, με περιορισμούς όπως οι νόμοι της φυσικής και οι δυνατότητες του οχήματος.
Αν και αυτό μπορεί να φαίνεται απλό, ο Keisuke πρέπει να το κάνει αυτό αξιόπιστα κάθε φορά, διότι αν κάνει τετ-α-κε, ο Takumi δεν θα έχει πουθενά να πάει για να αποφύγει τη σύγκρουση.
Από την άλλη ως όχημα καταδίωξης, ο Takumi πρέπει να driftάρει παράλληλα με τον Keisuke, αποφεύγοντας προληπτικά μια σύγκρουση. Το πιο δύσκολο σημείο έρχεται όταν ο Keisuke μεταβαίνει ή αλλάζει κατεύθυνση. Ο Takumi πρέπει να υποχωρήσει για να δώσει χώρο στον Keisuke και στη συνέχεια να επιταχύνει για να τον προλάβει, διατηρώντας παράλληλα την ασφάλεια.
Για να βοηθήσει τον Takumi, ο Keisuke επικοινωνεί την τρέχουσα θέση του και τους προγραμματισμένους ελιγμούς του μέσω της σύνδεσης WiFi.
Ο σημαντικός αλγόριθμος
Στο επίκεντρο του αλγορίθμου NMPC βρίσκεται ένα μοντέλο που περιγράφει πώς οι εντολές διεύθυνσης, γκαζιού και φρένων επηρεάζουν τις δυνάμεις των ελαστικών που τελικά καθορίζουν την κίνηση του οχήματος. Η ακρίβεια με την οποία αυτό το μοντέλο προβλέπει τη συμπεριφορά στον πραγματικό κόσμο καθορίζει τις επιδόσεις που μπορούν να επιτευχθούν με αυτή την προσέγγιση.
Ωστόσο, ο πραγματικός κόσμος αποτελεί πρόκληση για τη μοντελοποίηση. Πώς μοντελοποιείτε ένα ελαστικό καθώς φτάνει πάνω από τους 100 βαθμούς Κελσίου και αφήνει πίσω του λευκό καπνό καθώς κινείται. Ο Takumi λύνει αυτό το πρόβλημα με ένα νευρωνικό δίκτυο που αξιοποιεί τα οφέλη των μεθόδων που βασίζονται σε δεδομένα, ενώ παράλληλα αναμειγνύει τη γνώση της φυσικής.
Χρησιμοποιώντας δεδομένα από προηγούμενες δοκιμές, οι επιστημονικές ομάδες εκπαιδεύουν ένα μοντέλο νευρωνικού δικτύου για το πώς αντιδρούν τα μπροστινά ελαστικά σε συνδυασμένες δυνάμεις στροφής και πέδησης. Επειδή η τριβή μεταξύ του ελαστικού και του δρόμου εξαρτάται από τη θερμοκρασία, οι δυνάμεις των πίσω ελαστικών εξαρτώνται σε μεγάλο βαθμό από τη θερμοκρασία του ελαστικού.
Το μοντέλο των πίσω ελαστικών αποτυπώνει αυτή την εξάρτηση με ένα φυσικό μοντέλο που χρησιμοποιεί μετρήσεις της θερμοκρασίας των ελαστικών για να μοντελοποιήσει τις αλλαγές στην τριβή. Το νευρωνικό δίκτυο με πληροφόρηση επιδεικνύει μεγαλύτερη ακρίβεια και ανθεκτικότητα στις μεταβολές της θερμοκρασίας περιβάλλοντος από ό,τι τα παραδοσιακά μας μοντέλα που βασίζονται στη φυσική.
Αξιοποιώντας την τεχνητή νοημοσύνη, ο Takumi μπορεί να μαθαίνει και να βελτιώνεται από κάθε πέρασμα στην πίστα. Ένα μοντέλο που αλλάζει συνεχώς, ωστόσο, θέτει προκλήσεις για μια κρίσιμη για την ασφάλεια εφαρμογή όπως το tandem drifting. Για να εκμεταλλευτούν οι επιστήμονες τα οφέλη απόδοσης της τεχνητής νοημοσύνης, έπρεπε πρώτα να δημιουργήσουν εμπιστοσύνη.
Αυτό το πέτυχαν συλλέγοντας ένα βασικό σύνολο δεδομένων εκπαίδευσης και επικυρώνοντας ότι η διαδικασία εκπαίδευσής που χρησιμοποίησαν, παρήγαγε μοντέλα με επιτυχία χρησιμοποιώντας αυτά τα δεδομένα. Στη συνέχεια χρησιμοποίησαν πειράματα για αρκετούς μήνες και ένα μικρό σύνολο δεδομένων προσομοίωσης για να επεκτείνουν αυτά τα δεδομένα και να παράγουν πιο αξιόπιστα μοντέλα.
Τέλος, δεδομένου ότι οι θερμοκρασίες της πίστας τη νύχτα όταν πραγματοποιήθηκε η δοκιμή ήταν σημαντικά χαμηλότερες από ό,τι κατά τη διάρκεια της ημέρας, όταν συλλέχθηκε το μεγαλύτερο μέρος των δεδομένων, διαμορφώθηκε η στρατηγική για την ασφαλή αύξηση του συνόλου δεδομένων εκπαίδευσης με δεδομένα που ελήφθησαν τη νύχτα.
Το αποτέλεσμα ήταν ακριβώς αυτό που ήλπιζαν όλοι στο Toyota Research Institue αλλά και το Πανεπιστήμιο Stanford. Ένα θεαματικό αλλά και ασφαλές, αυτόνομο tandem drift.
Αν και τα μελλοντικά μας αυτοκίνητα μπορεί να μην χρειάζεται να driftάρουν μέχρι το σούπερ μάρκετ, μπορεί κάλλιστα να ενσωματώσουν κάποιες από τις τεχνικές σχεδιασμού κίνησης, ελέγχου και τεχνητής νοημοσύνης που αναπτύχθηκαν σε αυτό το project για να μας κρατήσουν ασφαλείς όταν οι οδικές συνθήκες ή οι περιστάσεις γίνονται δύσκολες ή επικίνδυνες.
