Physics-Informed Multimodal Learning for Wheel-Force Prediction and Grip Utilization Optimization Using Image Detection and Chassis Sensors in Electric Vehicles

تحمل كل سيارة كهربائية اليوم توتراً صامتاً وغير مرئي بين الطريق وإطاراتها. فعندما يضغط السائق على دواسة التسارع أو يدير عجلة القيادة، يجب أن تتماسك الإطارات مع الأسفلت لتترجم ذلك الأمر إلى حركة. إذا كان الطريق جافاً وناعماً، تكون هذه التماسك قوية ويمكن التنبؤ بها. ولكن عندما يتغير السطح إلى أسفلت مبلل، أو حصى سائب، أو بقعة من الجليد، تتغير قوة التماسك المتاحة فوراً وبشكل غير متوقع. ولكي تعمل أنظمة سلامة السيارة، فإنها تحتاج إلى معرفة مقدار القوة التي يستخدمها كل إطار حالياً ومقدار القوة الإضافية التي يمكنه تحملها قبل أن ينزلق. وهذه المعرفة هي الفرق بين التوقف المنضبط والانزلاق. التحدي يكمن في أن الإطارات مخفية تحت المركبة، والقوى التي تولدها لا يمكن قياسها مباشرة باستخدام مستشعرات باهظة الثمن وهشة لا توجد في السيارات المنتجة تجارياً. بدلاً من ذلك، يتعين على المهندسين تقدير هذه القوى من خلال مراقبة حركة جسم السيارة والنظر إلى الطريق أمامها، محاولين تجميع صورة كاملة من أدلة ناقصة.

لقد طور باحث طريقة جديدة لحل هذا اللغز عبر تعليم الكمبيوتر أن يفكر كفيزيائي بينما ينظر إلى الطريق كسائق. تركز الدراسة، التي أجراها تيميليين أكاندي في جامعة أبيولا أجيموبي التقنية، على إنشاء نظام يمكنه التنبؤ بالقوى الدقيقة التي تؤثر على كل عجلة من العجلات الأربع لمركبة كهربائية في الوقت الفعلي. قام الباحث بدمج نوعين مختلفين من المعلومات: تدفق من البيانات من مستشعرات السيارة الخاصة، والتي تتبع السرعة، وزاوية التوجيه، والتسارع، وتدفق من المعلومات المرئية من كاميرا أمامية تحدد نوع سطح الطريق أمامها. ومن خلال دمج هذين التدفقين، يمكن للنظام استباق التغيرات في التماسك قبل أن تشعر بها السيارة حتى. لم يكن الهدف مجرد تخمين القوى، بل القيام بذلك بطريقة تحترم القوانين الأساسية للفيزياء، مما يضمن أن التنبؤات لن تقترح أبداً أن الإطار يمسك بتماسك أكثر مما هو ممكن فيزيائياً.

لبناء هذا النظام واختباره، واجه الباحث عقبة كبيرة: فالبيانات الواقعية التي تتضمن قياسات دقيقة لقوى الإطارات نادرة للغاية ويصعب جمعها بشكل آمن، خاصة على الأسطح الزلقة مثل الثلج الطازج أو الجليد. وبدلاً من المخاطرة بحادث في مضمار اختبار، أنشأ الباحث عالماً افتراضياً عالي التفاصيل. استخدم محاكاة حاسوبية تحاكي فيزياء سيارة كهربائية حقيقية، كاملة بنموذج رياضي لكيفية سلوك الإطارات تحت الضغط. وقام بتشغيل آلاف سيناريوهات القيادة الافتراضية، التي تراوحت من القيادة المستقرة إلى الكبح في حالات الطوارئ، عبر خمس حالات طرق مختلفة، من الأسفلت الجاف إلى الجليد. ولجعل الجزء المرئي من النظام واقعياً، لم يحاول توليد صور مزيفة للطرق، بل قام بمحاكاة مخرجات نظام كاميرا تم تدريبه على مجموعة بيانات عامة كبيرة من صور الطرق الحقيقية، مما سمح للكمبيوتر بـ "رؤية" الطريق بنفس مستوى عدم اليقين والدقة الذي تمتلكه كاميرا حقيقية. هذا النهج الهجين منحهم مجموعة بيانات ضخمة مكونة من 9,000 مثال مصنف، تجمع بين قراءات المستشعرات ومشاهد الطريق مع القوى الفعلية (Ground-truth) التي كانت تحدث في المحاكاة.

جوهر حلهم هو برنامج حاسوبي خفيف الوزن، أو شبكة عصبية، مصممة لتكون صغيرة بما يكفي لتعمل على كمبيوتر السيارة الموجود حالياً دون إبطاء أدائها. يتكون النظام من جزأين رئيسيين؛ جزء ينظر إلى مستشعرات السيارة، ويحلل نافذة زمنية قصيرة لفهم كيفية تحرك المركبة حالياً، والجزء الآخر ينظر إلى تصنيف الطريق المقدم من الكاميرا، ليخبر النظام ما إذا كان يقود على طريق أسفلتي جاف، أو حصى مبلل، أو جليد. يتم دمج هذين التدفقين من المعلومات باستخدام طريقة ذكية وفعالة تسمح للمعلومات المرئية بتعديل كيفية تفسير بيانات المستشعرات. ومن الأهمية بمكان أن النظام مدرب بقواعد مبنية على الفيزياء؛ حيث يتم معاقبته إذا تنبأ بقوة قد تسبب انزلاق الإطار أكثر مما يسمح به سطح الطريق. وهذا يضمن أنه حتى لو كانت البيانات مشوشة أو الموقف غير مألوف، فإن تنبؤات النظام ستظل ممكنة فيزيائياً وآمنة.

أظهرت نتائج المحاكاة أن هذا النهج المشترك يعمل بشكل أفضل بكثير من الاعتماد على نوع واحد فقط من المعلومات. ففي الأسطح الزلقة مثل الأسفلت المبلل، والثلج، والجليد، قلل النظام الجديد من الخطأ في تنبؤات القوة بنسبة تتراوح بين 22 و42 بالمائة مقارنة بالأنظمة التي اعتمدت فقط على مستشعرات السيارة أو التي دمجت البيانات ببساطة دون قواعد الفيزياء. ولعل الأهم من ذلك، أن النظام ارتكب أخطاء خطيرة أقل؛ فقد انتهك الحدود الفيزيائية لتماسك الإطارات بشكل أقل بكثير من الطرق الأخرى، وهو أمر بالغ الأهمية لأنظمة السلامة التي تحتاج لمعرفة اللحظة التي يوشك فيها الإطار على فقدان التماسك. كما أثبت النظام أنه مستقر جداً، حيث أنتج نتائج متسقة حتى عند اختباره على ظروف طرق لم يرها من قبل، مثل الثلج الطازج، مما يشير إلى قدرته على التعميم في العالم الحقيقي. العملية برمتها سريعة للغاية، حيث تستغرق أقل من ميلي ثانية واحدة لإجراء التنبؤ، مما يعني أنها تستطيع مواكبة القرارات السريعة المطلوبة لضوابط سلامة المركبات الحديثة.

يبرهن هذا العمل على أن إضافة طبقة من الفهم الفيزيائي إلى التعلم القائم على البيانات يخلق أداة أكثر قوة وموثوقية لسلامة المركبات. فمن خلال تعليم الكمبيوتر احترام قوانين الاحتكاك وانتقال الحمل، نجح الباحث في إنشاء نظام ليس دقيقاً فحسب، بل موثوق أيضاً. وتشير الدراسة إلى أنه في المستقبل، يمكن للمركبات الكهربائية استخدام هذا النوع من الأنظمة الخفيفة والواعية فيزيائياً لإدارة استقرارها وتماسكها بشكل أكثر فعالية، خاصة في الظروف الجوية الخطرة حيث لا تكفي سرعة رد فعل البشر. ورغم أن النتائج تحققت في المحاكاة، إلا أن الطريقة توفر مساراً واضحاً وعملياً لبناء سيارات أكثر أماناً وذكاءً تفهم الطريق تماماً كما تفهم حركتها الخاصة.