DynSSM: A Physics-Aware State-Space Memory Framework for Learning Vehicle Dynamics

تعد سباقات السيارات ذاتية القيادة عالية السرعة أحد أكثر الاختبارات تطلباً للذكاء الاصطناست الروبوتات. فخلافاً للسيارات ذاتية القيادة التقليدية التي تتنقل في شوارع المدن بسرعات معتدلة، تعمل مركبات السباق عند الحافة القصوى لقدراتها الفيزيائية. فهي تدفع الإطارات إلى أقصى حدود التماسك، وتضغط على المكابح بقوة هائلة، وتنعطف بحدة شديدة تجعل وزن السيارة ينتقل بشكل دراماتيكي من جانب إلى آخر. وفي هذه الظروف، لا تسلك قوانين الفيزياء سلوكاً بسيطاً أو يمكن التنبؤ به؛ إذ تصبح العلاقة بين توجيه المقود وانعطاف السيارة معقدة، وتتغير لحظياً بناءً على السرعة، ودرجة حرارة الإطارات، ومدى الضغط الواقع على كل عجلة. ولكي تنجح عملية السباق، يحتاج الحاسوب إلى نموذج للسيارة لا يكون دقيقاً فحسب، بل يفهم أيضاً هذه القواعد الفيزيائية المتغيرة في الوقت الفعلي. فإذا كان النموذج بسيطاً للغاية، فسيفشل في التنبؤ بكيفية انزلاق السيارة؛ وإذا كان معقداً للغاية، فسيستغرق وقتاً طويلاً في الحساب، مما يؤدي إلى اصطدام السيارة قبل أن تتمكن من الاستجابة.

لقد طور باحثون في جامعة دايتون إطار عمل جديداً يسمى DynSSM لحل هذه المشكلة تحديداً. ويركز عملهم على إنشاء "توأم رقمي" لسيارة سباق يتعلم من البيانات مع الالتزام الصارم بقوانين الفيزياء. وقد دمج الفريق بين نهجين مختلفين: نموذج رياضي مهيكل يعتمد على ديناميكيات المركبات الكلاسيكية، ونظام تعلم مرن يتكيف مع الظروف الواقعية. يعمل النموذج المهيكل كقاعدة موثوقة، تضمن أن سلوك السيارة منطقي دائماً من الناحية الفيزيائية. أما نظام التعلم، الذي يستخدم شبكات ذاكرة متطورة لتذكر الأفعال السابقة وعواقبها، فيقوم بضبط هذا الأساس بدقة؛ حيث يعدل أرقاماً محددة داخل النموذج — مثل مقدار تماسك الإطارات أو كيفية انتقال وزن السيارة أثناء الانعطاف — ليتناسب مع ما يحدث فعلياً على المضمار. والأهم من ذلك، يتضمن النظام آلية سلامة تمنع هذه التعديلات من أن تصبح غير واقعية، مما يضمن عدم تعلم السيارة الطيران أو التصرف بطرق تخالف قوانين الفيزياء.

اختبر الباحثون هذا النظام باستخدام بيانات من مصدرين مختلفين تماماً: سيارة سباق محاكية صغيرة الحجم، وسيارة سباق "إندي" (Indy) حقيقية كاملة الحجم ذاتية القيادة. قاموا بتدريب النموذج على بيانات من مضمار واحد، ثم تحدوه للتنبؤ بحركات السيارة على مضمار مختلف تماماً وغير مرئي مسبقاً. وأظهرت النتائج أن إطار عملهم الجديد كان أكثر دقة بشكل ملحوظ من الأساليب الحالية. فعند التنبؤ بمدى سرعة تحرك السيارة للأمام، وسرعة انزلاقها جانبياً، وسرعة دورانها حول نفسها، قلل النموذج الجديد الأخطاء بنسبة تصل إلى 27% في السرعة الأمامية، و74% في الانزلاق الجانبي، وما يقرب من 89% في سرعة الدوران مقارنة بأفضل النماذج السابقة. ولم تكن هذه التحسينات نظرية فحسب؛ فعندما استخدم الباحثون النموذج للتحكم في السيارة في محاكاة، أكملت المركبة لفة كاملة أسرع بنسبة 13% مما كانت عليه عند استخدام نماذج أخرى متطورة.

ولفهم سبب نجاح هذا النهج بهذا الشكل، من المفيد النظر في كيفية بناء النظام. فقد وجد الباحثون أن مجرد تغذية برنامج حاسوبي بالبيانات ليخمن الخطوة التالية غالباً ما يؤدي إلى تراكم الأخطاء بمرور الوقت. وبدلاً من ذلك، صمموا نظاماً يقوم أولاً بحساب "تخمين أفضل" بناءً على الفيزياء المعروفة، ثم يستخدم شبكة ذاكرة لتصحيح ذلك التخمين. تهتم شبكة الذاكرة هذه بكل من الاتجاهات طويلة المدى، مثل كيفية قيادة السيارة خلال الثواني القليلة الماضية، والارتفاعات المفاجئة قصيرة المدى، مثل حركة مفاجئة في عجلة القيادة. كما يتضمن النظام خطوة تصحيح "بوابة" (gated)، تعمل بمثابة مرشح؛ فهي تسم تسمح للحاسوب بتصحيح الأخطاء الصغيرة في نموذج الفيزياء، مثل التأخير في آلية التوجيه أو أسطح الطرق غير المستوية، لكنها تمنع الحاسوب من إجراء تغييرات جامحة وغير ممكنة. هذا التوازن يسمح للنموذج بأن يظل سريعاً بما يكفي للعمل في الوقت الفعلي، ودقيقاً بما يكفي للتعامل مع القوى القصوى للسباق.

كما استكشفت الدراسة ما يحدث عند إزالة أجزاء من هذا النظام. فعندما أوقف الباحثون القدرة على تعديل المعلمات الفيزيائية، عانى النموذج في التنبؤ بسلوك السيارة على مضامير مختلفة، مما أدى غالباً إلى حوادث اصطدام في المحاكاة. وعندما أزالوا مكون الذاكرة الذي يتتبع تاريخ السيارة، فشل النموذج في توقع كيفية استجابة السيارة لسلسلة من المنعطفات. وأكدت هذه الاختبارات أن كل جزء من إطار العمل ضروري: فالأساس الفيزيائي يوفر الاستقرار، والذاكرة توفر السياق، وآلية التصحيح تتعامل مع التفاصيل المعقدة للعالم الحقيقي. وقد أثبت الباحثون أن هذا النهج لا يعمل فقط مع سيارات لعبة صغيرة في محاكاة حاسوبية، بل مع سيارات سباق كاملة الحجم تتحرك بسرعات عالية على مضامير حقيقية في إنديانا ولاس فيغاس.

وعلى الرغم من أن النتائج واعدة، إلا أن المؤلفين يشيرون إلى أن النظام ليس مثالياً. فالنموذج ينتج حالياً تنبؤاً واحداً محدداً لمسار السيارة المستقبلي، ولا يحسب صراحةً احتمالية النتائج المختلفة أو مستوى عدم اليقين في معرفته. بالإضافة إلى ذلك، تم اختبار النظام في عمليات المحاكاة وعلى أجهزة كمبيوتر قوية، لكن لم يتم تثبيته بعد على الأجهزة الفعلية داخل سيارة سباق لمعرفة كيفية أدائه تحت القيود الزمنية الصارمة لسباق حقيقي. وبالرغم من هذه القيود، يمثل هذا العمل خطوة كبيرة للأمام في جعل المركبات ذاتية القيادة أكثر أماناً وقدرة. فمن خلال تعليم الآلات كيفية التعلم من البيانات دون نسيان القواعد الأساسية للفيزياء، خلق الباحثون أداة يمكن أن تساعد السيارات ذاتية القيادة على التنقل ليس فقط في مضامير السباق، بل في البيئات المعقدة وغير المتوقعة للطرق اليومية. إن القدرة على التنبؤ بديناميكيات المركبة بهذه الدقة والسرعة تشير إلى مستقبل يمكن فيه لأنظمة القيادة الذاتية أن تعمل بمستوى من الثقة والرشاقة كان بعيد المنال في السابق.