Excitation-Aware On-Track System Identification at Full Scale

Autonome Rennwagen sind nicht nur schnell; sie raten ständig. Um am Limit zu fahren, muss ein Computer genau wissen, wie viel Grip seine Reifen in jedem Augenblick auf der Straße haben. Dieser Grip verändert sich mit der Geschwindigkeit, der Temperatur und dem Zustand des Asphalts, was ihn zur kritischsten und schwer fassbarsten Information für das Gehirn des Fahrzeugs macht. Traditionell ließen Ingenieure ein Rennauto anhalten, fuhren es in langsamen Kreisen auf einer Teststrecke und maßen die Reifen, um ein mathematisches Modell zu erstellen. Doch in einem echten Rennen gibt es keine Zeit für eine Teststrecke. Das Auto muss die Reifen während des Rennens lernen, indem es die Daten einer normalen Runde nutzt, um herauszufinden, wie sich der Gummi verhält. Dieser Prozess wird als On-Track-Systemidentifikation bezeichnet. Es ist ein Spiel mit hohem Einsatz der Schlussfolgerung: Das Auto muss die unsichtbaren Eigenschaften seiner Reifen aus den sichtbaren Bewegungen seines Fahrwerks ableiten, während es mit hoher Geschwindigkeit fährt.

Eine aktuelle Studie von Forschern der Ain Shams University und der American University of the Middle East untersuchte eine spezifische Methode, um einem voll lebensgroßen Rennwagen beizubringen, seine eigenen Reifen während der Fahrt zu lernen. Sie nahmen ein System, das bei einem winzigen, ein Zehntel skalierbaren Modellauto gut funktioniert hatte, und versuchten, es direkt auf ein lebensgroßes Formula-Student-Fahrzeug zu übertragen. Die Erwartung war, dass das System reibungslos hochskalieren würde. Stattdessen entdeckten die Forscher, dass das System auf eine subtile, aber gefährliche Weise versagte. Als es auf das lebensgroße Auto übertragen wurde, erzeugte die Identifikations-Pipeline ein Modell, das auf dem Papier korrekt aussah, aber physikalisch unmöglich war, was dazu führte, dass das Auto glaubte, weit mehr Grip zu besitzen, als es tatsächlich hatte. Die Studie, die vollständig in einer High-Fidelity-Computersimulation durchgeführt wurde, ergab, dass der Fehler nicht auf schlechte Mathematik oder verrauschte Sensoren zurückzuführen war, sondern auf einen grundlegenden Fehler in der Art und Weise, wie das System seine eigenen Testdaten generierte.

Der Kern des Problems lag in einem Schritt, in dem das System eine „virtuelle“ Testfahrt erstellte, um die Reifen zu analysieren. Im ursprünglichen, kleineren Aufbau war diese virtuelle Fahrt ausreichend, um die Grenzen der Reifen aufzuzeigen. Auf dem lebensgroßen Auto jedoch waren die Geschwindigkeiten und Lenkwinkel, die in dieser virtuellen Simulation verwendet wurden, zu niedrig, um die Reifen jemals an ihre Belastungsgrenze zu bringen. Da die virtuelle Testfahrt die Reifen nie dazu zwang, hart zu arbeiten, konnte das System nicht sehen, wo der Grip endete. Es war, als versuche man, das Gewichtslimit einer Brücke zu erraten, indem man mit einem Fahrrad über sie fährt; die Brücke würde niemals Anzeichen von Belastung zeigen, sodass der Ratende niemals erfahren würde, wie viel Gewicht sie tatsächlich tragen könnte. Folglich füllte der Computer die fehlenden Informationen durch Raten auf, und er rät einen Wert, der das durch seine Programmierung zulässige Maximum erreichte. Das System meldete, dass die Reifen fast die vierfache Kraft bewältigen könnten, der sie tatsächlich standhalten konnten. Wenn das echte Auto versuchte, mit den Geschwindigkeiten zu fahren, von denen der Computer glaubte, dass sie sicher seien, verlor es einfach den Grip und verließ die Strecke.

Die Forscher führten diesen Fehler auf ein Konzept zurück, das als „Anregung“ (Excitation) bekannt ist. Damit ein System eine Eigenschaft lernen kann, muss es ausreichend angeregt oder stimuliert werden, um diese Eigenschaft offenzulegen. Im Kontext der Reifenidentifikation muss das Auto hart genug gefahren werden, um die Kante seines Grips zu spüren. Die ursprüngliche virtuelle Testfahrt war für ein lebensgroßes Fahrzeug zu sanft. Die Forscher berechneten, dass die virtuelle Fahrt nur in der Lage war, einen Bruchteil der Reibung zu fordern, die der Reifen tatsächlich bereitstellen konnte. Da die Daten niemals den Gipfel der Leistungskurve des Reifens erreichten, konnte das mathematische Modell nicht zwischen einem Reifen mit wenig Grip und einem Reifen mit hohem Grip unterscheiden. Es pendelte sich einfach auf dem höchsten möglichen Antwortwert ein, der durch seine Sicherheitsgrenzen erlaubt war, was ein falsches Gefühl der Sicherheit erzeugte.

Um dies zu beheben, gestalteten die Team die Identifikations-Pipeline so um, dass sie „anregungsbewusst“ (excitation-aware) ist. Sie änderten das System so, dass die virtuelle Testfahrt die Geschwindigkeit und die Lenkintensität automatisch anpasst, basierend darauf, wie schnell das Auto tatsächlich auf der echten Strecke fährt. Wenn das Auto schnell fuhr, wurde die virtuelle Testfahrt aggressiver, um sicherzustellen, dass sie genügend Kraft forderte, um die wahren Grenzen der Reifen aufzuzeigen. Sie führten auch eine neue Sicherheitsprüfung ein. Anstatt nur auf die Rohdaten zu schauen, die der Computer produzierte, prüften sie, ob das resultierende Modell physikalisch Sinn ergab. Sie verifizierten, dass die berechnete Grip-Obergrenze nicht höher war, als die Straße theoretisch unterstützen konnte, und dass das Lenkverhalten des Autos stabil blieb. Wenn das Modell diese physikalischen Prüfungen nicht bestand, lehnte das System es ab und verwendete weiterhin das vorherige, als sicher bekannte Modell, anstatt ein gefährliches neues einzusetzen.

Die Ergebnisse dieser Änderungen waren in der Simulation dramatisch. Auf einer statischen Oberfläche, auf der der Grip konstant war, erlernte das korrigierte System die Steifigkeit des Reifens mit einem Fehler von weniger als 3,2 Prozent, während das alte System um mehr als 100 Prozent dane lag. Viel wichtiger war, dass das Team das System auf einer Oberfläche testete, auf der der Grip langsam nachließ, was eine Strecke simulierte, die nass oder abgenutzt wurde. Das alte System, das auf seiner falschen Hochgrip-Schätzung feststeckte, bemerkte den Verlust der Traktion nicht. Es fuhr mit Geschwindigkeiten weiter, die nicht mehr sicher waren, was dazu führte, dass das Auto in der zweiten Runde von der Strecke abkam. Das korrigierte System hingegen detektierte den nachlassenden Grip. Es erkannte, dass die Reifen ihren Halt verloren, und der Controller passte das Referenzgeschwindigkeitsprofil gegen die neuen, niedrigeren Limits an. Dies ermöglichte es dem Fahrzeug, drei volle Runden mit demselben Präzisionsniveau wie zuvor zu absolvieren, indem es einfach seine Geschwindigkeit an die sich ändernden Bedingungen anpasste.

Die Studie unterstreicht eine kritische Lektion für autonome Fahrzeuge: Ein Modell, das perfekt zu den Daten passt, ist nicht notwendigerweise ein Modell, das die Physik versteht. Die Forscher fanden heraus, dass es nicht ausreicht, lediglich zu prüfen, ob eine Zahl innerhalb eines sicheren Bereichs liegt; das System muss auch sicherstellen, dass die Daten, die es zum Lernen verwendet, tatsächlich in der Lage waren, diese Grenzen zu testen. Indem sie das System dazu zwangen, die richtigen Fragen an die Reifen zu stellen – Fragen, die hart genug sind, um die Wahrheit offenzulegen –, konnten sie verhindern, dass das Auto einer Lüge vertraut. Obwohl diese Ergebnisse in einer Simulation erzielt wurden, basiert die Logik der Lösung auf physikalischen Gesetzen, die auch für echte Autos gelten. Die Forscher kommen zu dem Schluss, dass für ein sicheres und effektives autonomes Racing das Auto so konzipiert sein muss, dass es aktiv die Grenzen seiner eigenen Fähigkeiten sucht, anstatt davon auszugehen, dass diese Grenzen genau das sind, was der Computer sagt.