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

Jedes Elektroauto trägt heute eine stille, unsichtbare Spannung zwischen der Straße und seinen Reifen in sich. Wenn ein Fahrer das Gaspedal betätigt oder das Lenkrad dreht, müssen die Reifen den Asphalt greifen, um diesen Befehl in Bewegung zu übersetzen. Wenn die Straße trocken und glatt ist, ist dieser Grip stark und berechenbar. Doch wenn sich die Oberfläche zu nassem Asphalt, losem Kies oder einer Eisplatte wandelt, ändert sich der verfügbare Grip augenblicklich und unvorhersehbar. Damit die Sicherheitssysteme des Autos funktionieren können, müssen sie genau wissen, wie viel Kraft jedes Rad derzeit aufwendet und wie viel mehr es bewältigen kann, bevor es rutscht. Dieses Wissen ist der Unterschied zwischen einem kontrollierten Stopp und einem Schlittschuhlauf. Die Herausforderung besteht darin, dass die Reifen unter dem Fahrzeug verborgen sind und die von ihnen erzeugten Kräfte nicht direkt gemessen werden können, ohne teure, empfindliche Sensoren zu verwenden, die in Serienfahrzeugen nicht vorhanden sind. Stattdessen müssen Ingenieure diese Kräfte schätzen, indem sie beobachten, wie sich die Karosserie des Autos bewegt, und indem sie den Weg vor sich betrachten, wobei sie versuchen, aus unvollständigen Hinweisen ein vollständiges Bild zusammenzusetzen.

Ein Forscher hat einen neuen Weg entwickelt, um dieses Rätsel zu lösen, indem er einen Computer lehrt, wie ein Physiker zu denken und wie ein Fahrer auf die Straße zu schauen. Die Studie, die von Timileyin Akande an der Abiola Ajimobi Technical University durchgeführt wurde, konzentriert sich auf die Entwicklung eines Systems, das in der Lage ist, die exakten Kräfte, die auf jedes der vier Räder eines Elektrofahrzeugs wirken, in Echtzeit vorherzusagen. Der Forscher kombinierte zwei verschiedene Arten von Informationen: einen Datenstrom von den eigenen Sensoren des Autos, die Geschwindigkeit, Lenkwinkel und Beschleunigung verfolgen, und einen visuellen Informationsstrom von einer nach vorne gerichteten Kamera, die den Typ der Straßenoberfläche vor dem Fahrzeug identifiziert. Durch die Verschmelzung dieser beiden Ströme kann das System Änderungen des Grips antizipieren, noch bevor das Auto sie tatsächlich spürt. Das Ziel war nicht nur, die Kräfte zu erraten, sondern dies auf eine Weise zu tun, die die grundlegenden Gesetze der Physik respektiert, um sicherzustellen, dass die Vorhersagen niemals suggerieren, ein Reifen könne mehr Grip halten, als physikalisch möglich ist.

Um dieses System zu bauen und zu testen, sah sich der Forscher einem erheblichen Hindernis gegenüber: Realdaten, die präzise Messungen der Reifenkräfte enthalten, sind unglaublich selten und gefährlich zu sammeln, insbesondere auf rutschigen Oberflächen wie frischem Schnee oder Eis. Anstatt ein Crash Risiko auf einer Teststrecke einzugehen, erschuf der Forscher eine hochdetaillierte virtuelle Welt. Er nutzte eine Computersimulation, die die Physik eines echten Elektroautos nachahmt, komplett mit einem mathematischen Modell darüber, wie sich Reifen unter Belastung verhalten. Er ließ tausende virtuelle Fahrszenarien durchlaufen, die von stetigem Cruisen bis hin zu Notbremsungen reichten, über fünf verschiedene Straßenbedingungen hinweg, von trockenem Asphalt bis hin zu Eis. Um den visuellen Teil des Systems realistisch zu gestalten, versuchte er nicht, gefälschte Bilder von Straßen zu generieren. Stattdessen simulierte er den Output eines Kamerasystems, das auf einem großen öffentlichen Datensatz realer Straßenbilder trainiert worden war, was es dem Computer ermöglichte, die Straße mit demselben Grad an Unsicherheit und Genauigkeit zu „sehen“ wie eine reale Kamera. Dieser hybride Ansatz lieferte ihnen einen massiven Datensatz von 9.000 gelabelten Beispielen, die Sensorwerte und Straßenansichten mit den exakten Ground-Truth-Kräften paarten, die in der Simulation stattfanden.

Der Kern ihrer Lösung ist ein leichtgewichtiges Computerprogramm, oder neuronales Netz, das klein genug konzipiert ist, um auf dem vorhandenen Bordcomputer des Autos zu laufen, ohne dessen Geschwindigkeit zu beeinträchtigen. Das System besteht aus zwei Hauptteilen. Ein Teil betrachtet die Sensoren des Autos und analysiert ein kurzes Zeitfenster, um zu verstehen, wie sich das Fahrzeug derzeit bewegt. Der andere Teil betrachtet die durch die Kamera bereitgestellte Straßenklassifizierung, die dem System mitteilt, ob es auf trockener Fahrbahn, nassem Kies oder Eis fährt. Diese beiden Informationsströme werden mithilfe einer cleveren, effizienten Methode zusammengeführt, die es der visuellen Information ermöglicht, die Interpretation der Sensordaten anzupassen. Entscheidend ist, dass das System mit einem eingebauten Regelwerk basierend auf der Physik trainiert wird. Es wird bestraft, wenn es eine Kraft vorhersagt, die dazu führen würde, dass der Reifen mehr rutscht, als die Straßenoberfläche zulässt. Dies stellt sicher, dass selbst wenn die Daten verrauscht oder die Situation unbekannt ist, die Vorhersagen des Systems physikalisch möglich und sicher bleiben.

Die Ergebnisse der Simulation zeigten, dass dieser kombinierte Ansatz signifikant besser funktioniert als die Nutzung nur einer Art von Information. Auf rutschigen Oberflächen wie nassem Asphalt, Schnee und Eis reduzierte das neue System den Fehler in seinen Kraftvorhersagen um zwischen 22 und 42 Prozent im Vergleich zu Systemen, die nur die Sensoren des Autos betrachteten oder die Daten einfach ohne die Physik-Regeln kombinierte. Vielleicht am wichtigsten ist, dass das System deutlich weniger gefährliche Fehler machte. Es verletzte die physikalischen Grenzen der Reifenhaftung weitaus seltener als andere Methoden, was für Sicherheitssysteme, die genau wissen müssen, wann ein Reifen kurz vor dem Traktionsverlust steht, entscheidend ist. Das System erwies sich zudem als sehr stabil und lieferte konsistente Ergebnisse, selbst wenn es auf Straßenbedingungen getestet wurde, die es zuvor noch nie gesehen hatte, wie etwa frischem Schnee, was darauf hindeutet, dass es sich gut auf die reale Welt übertragen lässt. Der gesamte Prozess ist unglaublich schnell und benötigt weniger als eine Millisekunde für eine Vorhersage, was bedeutet, dass er mit den schnellen Entscheidungen moderner Fahrzeugsicherheitssysteme Schritt halten kann.

Diese Arbeit zeigt, dass das Hinzufügen einer Ebene des physikalischen Verständnisses zu datengesteuertem Lernen ein robusteres und zuverlässigeres Werkzeug für die Fahrzeugsicherheit schafft. Indem der Forscher den Computer lehrte, die Gesetze der Reibung und des Lasttransfers zu respektieren, schuf er ein System, das nicht nur genau, sondern auch vertrauenswürdig ist. Die Studie legt nahe, dass Elektrofahrzeuge in Zukunft ein solches leichtgewichtiges, physikbewusstes System nutzen könnten, um ihre Stabilität und Traktion effektiver zu steuern, insbesondere unter gefährlichen Wetterbedingungen, bei denen menschliche Reaktionszeiten nicht ausreichen. Obwohl die Ergebnisse in einer Simulation erzielt wurden, bietet die Methode einen klaren und praktischen Weg für den Bau sichererer, intelligenterer Autos, die die Straße ebenso gut verstehen wie ihre eigene Bewegung.