Excitation-Aware On-Track System Identification at Full Scale

إن سيارات السباق ذاتية القيادة ليست سريعة فحسب، بل هي في حالة تخمين مستمر. فلكي تقود السيارة عند أقصى حدودها، يجب على الحاسوب أن يعرف بدقة مقدار التماسك الذي تتمتع به إطاراتها على الطريق في أي لحظة. يتغير هذا التماسك بتغير السرعة، ودرجة الحرارة، وحالة الأسفلت، مما يجعله المعلومة الأكثر أهمية واستعصاءً على عقل المركبة. تقليديًا، كان المهندسون يوقفون سيارة السباق، ويقودونها في دوائر بطيئة على مضمار اختبار، ويقيسون الإطارات لبناء نموذج رياضي. ولكن في السباق الحقيقي، لا يوجد وقت لمضمار الاختبار؛ إذ يجب على السيارة أن تتعلم خصائص الإطارات أثناء السباق، باستخدام البيانات من لفة عادية لمعرفة كيفية سلوك المطاط. تُسمى هذه العملية "تحديد هوية النظام أثناء المسار" (on-track system identification). إنها لعبة استدلال عالية المخاطر: يجب على السيارة أن تستنتج الخصائص غير المرئية لإطاراتها من خلال الحركات المرئية لهيكلها، وكل ذلك وهي تتحرك بسرعة عالية.

استقصت دراسة حديثة أجراها باحثون من جامعة عين شمس والجامعة الأمريكية في الشرق الأوسط طريقة محددة لتعليم سيارة سباق كاملة الحجم كيف تتعلم خصائص إطاراتها أثناء القيادة. لقد أخذوا نظامًا نجح بشكل جيد على نموذج مصغر (بنسبة عُشر الحجم)، وحاولوا نقله مباشرة إلى مركبة "فورمولا ستودنت" (Formula Student) كاملة الحجم. كان التوقع هو أن يعمل النظام بسلاسة عند التوسع في الحجم، ولكن بدلاً من ذلك، اكتشف الباحثون أن النظام كان يفشل بطريقة خفية ولكنها خطيرة. فعند نقله إلى السيارة كاملة الحجم، كان مسار تحديد الهوية ينتج نموذجًا يبدو صحيحًا على الورق، ولكنه مستحيل فيزيائيًا، مما جعل السيارة تعتقد أنها تمتلك تماسكًا أكبر بكثير مما تملكه في الواقع. كشفت الدراسة، التي أُجريت بالكامل داخل محاكاة حاسوبية عالية الدقة، أن الفشل لم يكن بسبب رياضيات سيئة أو مستشعرات مشوشة، بل بسبب خلل جوهري في كيفية توليد النظام لبيانات الاختبار الخاصة به.

يكمن جوهر المشكلة في خطوة يقوم فيها النظام بإنشاء تجربة قيادة "افتراضية" لتحليل الإطارات. في الإعداد الأصلي الصغير، كانت تجربة القيادة الافتراضية كافية للكشف عن حدود الإطار. ومع ذلك، في السيارة كاملة الحجم، كانت السرعات وزوايا التوجيه المستخدمة في هذه المحاكاة الافتراضية منخفضة للغاية بحيث لا يمكنها أبدًا دفع الإطارات إلى نقطة الانهيار. ولأن التجربة الافتراضية لم تطلب من الإطارات العمل بجهد، لم يتمكن النظام من رؤية أين ينتهي التماسك. كان الأمر يشبه محاولة تخمين حد الوزن المسموح به لجسر عبر قيادة دراجة هوائية فوقه؛ فالجسر لن يظهر علامات الإجهاد أبدًا، وبالتالي لن يعرف الشخص الذي يخمن كم يمكن لهذا الجسر أن يتحمل فعليًا. نتيجة لذلك، قام الحاسوب بملء المعلومات المفقودة عبر التخمين، وخمن قيمة وصلت إلى الحد الأقصى المسموح به في برمجته. أفاد النظام أن الإطارات يمكنها تحمل قوة تقارب أربعة أضعاف ما هي قادرة عليه فعليًا. وعندما حاولت السيارة الحقيقية القيادة بالسرعات التي اعتقد الحاسوب أنها آمنة، فقدت التماسك ببساطة وخرجت عن المسار.

تتبع الباحثون هذا الفشل وصولاً إلى مفهوم يُعرف باسم "الاستثارة" (excitation). فلكي يتعلم النظام خاصية ما، يجب أن يتم استثارته أو تحفيزه بما يكفي للكشف عن تلك الخاصية. وفي سياق تحديد هوية الإطارات، يجب قيادة السيارة بقوة كافية لتشعر بحافة تماسكها. كانت تجربة القيادة الافتراضية المستخدمة في النظام الأصلي لطيفة جدًا بالنسبة لمركبة كاملة الحجم. وقد حسب الباحثون أن تجربة القيادة الافتراضية كانت قادرة فقط على طلب جزء ضئيل من الاحتكاك الذي يمكن للإطار توفيره فعليًا. ولأن البيانات لم تصل أبدًا إلى ذروة أداء الإطار، لم يستطع النموذج الرياضي التمييز بين إطار ذي تماسك منخفض وإطار ذي تماسك عالٍ. لقد استقر ببساطة على أعلى إجابة ممكنة سمحت بها حدود الأمان الخاصة به، مما خلق شعورًا زائفًا بالأمان.

ولإصلاح ذلك، أعاد الفريق تصميم مسار تحديد الهوية ليكون "واعياً بالاستثارة" (excitation-aware). لقد غيروا النظام بحيث تقوم تجربة القيادة الافتراضية بتعديل سرعتها وكثافة التوجيل تلقائيًا بناءً على سرعة قيادة السيارة الفعلية على المضمار الحقيقي. فإذا كانت السيارة تتحرك بسرعة، تصبح التجربة الافتراضية أكثر عدوانية، مما يضمن طلب قوة كافية للكشف عن الحدود الحقيقية للإطارات. كما أدخلوا فحصًا جديدًا للسلامة؛ فبدلاً من مجرد النظر إلى الأرقام الخام التي ينتجها الحاسوب، تحققوا مما إذا كان النموذج الناتج منطقيًا من الناحية الفيزيائية. لقد تحققوا من أن سقف التماسك المحسوب ليس أعلى مما يمكن للطريق دعمه فعليًا، ومن أن سلوك توجيه السيارة ظل مستقرًا. وإذا فشل النموذج في اجتياز هذه الفحوصات الفيزيائية، فإن النظام يرفضه ويستمر في استخدام النموذج السابق المعروف بأمانه، بدلاً من نشر نموذج جديد خطير.

كانت نتائج هذه التغييرات مذهلة في المحاكاة. فعلى سطح ثابت حيث يكون التماسك ثابتًا، تعلم النظام المصحح صلابة الإطار بنسبة خطأ تقل عن 3.2 بالمائة، بينما كان النظام القديم مخطئًا بنسبة تزيد عن 100 بالمائة. والأهم من ذلك، اختبر الفريق النظام على سطح يتلاشى فيه التماسك ببطء، محاكيًا مضمارًا يصبح مبللاً أو متآكلًا. فشل النظام القديم، العالق في تقديره العالي الزائف للتماسك، في ملاحظة فقدان الجر. واستمر في القيادة بسرعات لم تعد آمنة، مما تسبب في انحراف السيارة عن المسار. أما النظام المصحح، فقد اكتشف تلاشي التماسك؛ حيث أدرك أن الإطارات تفقد تماسكها، فقام المتحكم بإعادة ضبط ملف تعريف سرعة المرجع مقابل الحدود الجديدة المنخفضة. وقد سمح ذلك للمركبة بإكمال ثلاث لفات كاملة بنفس مستوى الدقة كما في السابق، وذلك ببساطة من خلال تعديل سرعتها وفقًا للظروف المتغيرة.

تسلط هذه الدراسة الضوء على درس بالغ الأهمية للمركبات ذاتية القيادة: النموذج الذي يتناسب تمامًا مع البيانات ليس بالضريد نموذجًا يفهم الفيزياء. وجد الباحثون أن مجرد التحقق مما إذا كان الرقم يقع ضمن نطاق آمن ليس كافيًا؛ بل يجب على النظام أيضًا التأكد من أن البيانات التي يستخدمها للتعلم كانت قادرة بالفعل على اختبار تلك الحدود. ومن خلال إجبار النظام على طرح الأسئلة الصحيحة على الإطارات — أسئلة صعبة بما يكفي للكشف عن الحقيقة — تمكنوا من منع السيارة من الثقة في كذبة. وبينما تحققت هذه النتائج في محاكاة، فإن منطق الإصلاح يعتمد على قوانين فيزيائية تنطبق على السيارات الحقيقية. ويخلص الباحثون إلى أنه لكي تكون سباقات السيارات ذاتية القيادة آمنة وفعالة، يجب تصميم السيارة بحيث تسعى بنشاط لاستكشاف حدود قدراتها، بدلاً من افتراض أن تلك الحدود هي ما يقوله الحاسوب.