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

Cada coche eléctrico hoy en día lleva una tensión silenciosa e invisible entre la carretera y sus neumáticos. Cuando un conductor presiona el acelerador o gira el volante, los neumáticos deben agarrarse al pavimento para traducir esa orden en movimiento. Si la carretera está seca y lisa, este agarre es fuerte y predecible. Pero cuando la superficie cambia a asfalto mojado, grava suelta o un parche de hielo, el agarre disponible cambia de forma instantánea e impredecible. Para que los sistemas de seguridad del coche funcionen, necesitan saber exactamente cuánta fuerza está utilizando cada neumático en ese momento y cuánto más puede soportar antes de deslizarse. Este conocimiento es la diferencia entre una parada controlada y un derrape. El desafío es que los neumáticos están ocultos debajo del vehículo, y las fuerzas que generan no pueden medirse directamente sin sensores costosos y frágiles que no se encuentran en los coches de producción. En su lugar, los ingenieros deben estimar estas fuerzas observando cómo se mueve la carrocería del coche y mirando la carretera que tiene por delante, intentando reconstruir una imagen completa a partir de pistas incompletas.

Un investigador ha desarrollado una nueva forma de resolver este rompecabezas enseñando a una computadora a pensar como un físico mientras mira la carretera como un conductor. El estudio, realizado por Timileyin Akande en la Universidad Técnica Abiola Ajimobi, se centra en la creación de un sistema que pueda predecir las fuerzas exactas que actúan sobre cada una de las cuatro ruedas de un vehículo eléctrico en tiempo real. El investigador combinó dos tipos diferentes de información: un flujo de datos de los propios sensores del coche, que rastrean la velocidad, el ángulo de giro y la aceleración, y un flujo de información visual de una cámara frontal que identifica el tipo de superficie de la carretera más adelante. Al fusionar estos dos flujos, el sistema puede anticipar los cambios en el agarre antes de que el coche los sienta. El objetivo no era solo adivinar las fuerzas, sino hacerlo de una manera que respete las leyes fundamentales de la física, asegurando que las predicciones nunca sugieran que un neumático tiene más agarre de lo que es físicamente posible.

Para construir y probar este sistema, el investigador se enfrentó a un obstáculo significativo: los datos del mundo real que incluyen mediciones precisas de las fuerzas de los neumáticos son increíblemente raros y peligrosos de recolectar, especialmente en superficies resbaladizas como nieve fresca o hielo. En lugar de arriesgarse a un accidente en una pista de pruebas, el investigador creó un mundo virtual altamente detallado. Utilizó una simulación por computadora que imita la física de un coche eléctrico real, con un modelo matemático de cómo se comportan los neumáticos bajo estrés. Ejecutó miles de escenarios de conducción virtual, que iban desde un crucero constante hasta una frenada de emergencia, a través de cinco condiciones de carretera diferentes, desde asfalto seco hasta hielo. Para hacer que la parte visual del sistema fuera realista, no intentaron generar imágenes falsas de carreteras. En su lugar, simularon la salida de un sistema de cámara que había sido entrenado con un gran conjunto de datos públicos de imágenes reales de carreteras, permitiendo que la computadora "viera" la carretera con el mismo nivel de incertidumbre y precisión que una cámara del mundo real. Este enfoque híbrido les proporcionó un enorme conjunto de datos de 9.000 ejemplos etiquetados, emparejando las lecturas de los sensores y las vistas de la carretera con las fuerzas exactas de verdad que estaban ocurriendo en la simulación.

El núcleo de su solución es un programa de computadora ligero, o red neuronal, diseñado para ser lo suficientemente pequeño como para ejecutarse en la computadora de a bordo existente del coche sin ralentizarlo. El sistema tiene dos partes principales. Una parte observa los sensores del coche, analizando una ventana corta de tiempo para entender cómo se está moviendo el vehículo actualmente. La otra parte observa la clasificación de la carretera proporcionada por la cámara, indicando al sistema si está conduciendo sobre pavimento seco, grava mojada o hielo. Estos dos flujos de información se unen mediante un método ingenioso y eficiente que permite que la información visual ajuste la interpretación de los datos de los sensores. Crucialmente, el sistema está entrenado con un libro de reglas basado en la física. Se le penaliza si predice una fuerza que causaría que el neumático se deslice más de lo que la superficie de la carretera permite. Esto asegura que, incluso si los datos son ruidosos o la situación es desconocida, las predicciones del sistema sigan siendo físicamente posibles y seguras.

Los resultados de la simulación mostraron que este enfoque combinado funciona significativamente mejor que depender de un solo tipo de información. En superficies resbaladizas como asfalto mojado, nieve e hielo, el nuevo sistema redujo el error en sus predicciones de fuerza entre un 22 y un 42 por ciento en comparación con sistemas que solo miraban los sensores del coche o que simplemente combinaban los datos sin las reglas de la física. Quizás lo más importante es que el sistema cometió menos errores peligrosos. Violó los límites físicos del agarre de los neumáticos con mucha menos frecuencia que otros métodos, lo cual es crítico para los sistemas de seguridad que necesitan saber exactamente cuándo un neumático está a punto de perder tracción. El sistema también demostró ser muy estable, produciendo resultados consistentes incluso cuando fue probado en condiciones de carretera que nunca había visto, como nieve fresca, lo que sugiere que podría generalizar bien al mundo real. Todo el proceso es increíblemente rápido, tardando menos de un milisegundo en realizar una predicción, lo que significa que puede seguir el ritmo de las decisiones rápidas requeridas por los controles de seguridad de los vehículos modernos.

Este trabajo demuestra que añadir una capa de comprensión física al aprendizaje basado en datos crea una herramienta más robusta y fiable para la seguridad vehicular. Al enseñar a la computadora a respetar las leyes de la fricción y la transferencia de carga, el investigador creó un sistema que no solo es preciso, sino también confiable. El estudio sugiere que, en el futuro, los vehículos eléctricos podrían utilizar este tipo de sistema ligero y consciente de la física para gestionar su estabilidad y tracción de manera más efectiva, especialmente en condiciones meteorológicas peligrosas donde los tiempos de reacción humanos no son suficientes. Aunque los resultados se lograron en una simulación, el método proporciona un camino claro y práctico para la construcción de coches más seguros e inteligentes que comprendan la carretera tan bien como comprenden su propio movimiento.