Excitation-Aware On-Track System Identification at Full Scale

Los coches de carreras autónomos no solo son rápidos; están constantemente adivinando. Para conducir al límite, una computadora debe saber exactamente cuánta adherencia tienen sus neumáticos sobre la carretera en cada momento dado. Esta adherencia cambia con la velocidad, la temperatura y las condiciones del asfalto, lo que la convierte en la información más crítica y esquiva para el cerebro del vehículo. Tradicionalmente, los ingenieros detenían un coche de carreras, lo hacían dar vueltas lentas en una pista de pruebas y medían los neumáticos para construir un modelo matemático. Pero en una carrera real, no hay tiempo para una pista de pruebas. El coche debe aprender sobre los neumáticos mientras compite, utilizando los datos de una vuelta normal para determinar cómo se está comportando el caucho. Este proceso se llama identificación de sistemas en pista. Es un juego de inferencia de alto riesgo: el coche debe deducir las propiedades invisibles de sus neumáticos a partir de los movimientos visibles de su chasis, todo ello mientras se desplaza a alta velocidad.

Un estudio reciente realizado por investigadores de la Universidad Ain Shams y la Universidad Americana del Medio Oriente investigó un método específico para enseñar a un coche de carreras de tamaño real a aprender sobre sus propios neumáticos mientras conduce. Tomaron un sistema que había funcionado bien en un modelo a escala de un décimo de tamaño y trataron de trasplantarlo directamente a un vehículo Formula Student de tamaño completo. La expectativa era que el método escalaría sin problemas. En cambio, los investigadores descubrieron que el sistema estaba fallando de una manera sutil pero peligrosa. Al trasladarse al coche de tamaño completo, la cadena de identificación producía un modelo que parecía correcto en el papel, pero que era físicamente imposible, lo que llevaba al coche a creer que tenía mucha más adherencia de la que realmente poseía. El estudio, realizado íntegramente dentro de una simulación informática de alta fidelidad, reveló que el fallo no se debía a una mala matemática o a sensores ruidosos, sino a un fallo fundamental en la forma en que el sistema generaba sus propios datos de prueba.

El núcleo del problema residía en un paso donde el sistema creaba una conducción de prueba "virtual" para analizar los neumáticos. En la configuración original a pequeña escala, esta conducción virtual era suficiente para revelar los límites del neumático. Sin embargo, en el coche de tamaño completo, la velocidad y los ángulos de dirección utilizados en esta simulación virtual eran demasiado bajos como para llegar a llevar a los neumáticos a su punto de ruptura. Debido a que la prueba virtual nunca exigió que los neumáticos trabajaran duro, el sistema no pudo ver dónde terminaba la adherencia. Era como intentar adivinar el límite de peso de un puente conduciendo una bicicleta a través de él; el puente nunca mostraría signos de estrés, por lo que quien adivina nunca sabría cuánto peso puede soportar realmente. En consecuencia, la computadora completó la información faltante mediante conjeturas, y adivinó un valor que alcanzó el límite máximo permitido por su programación. El sistema informó que los neumáticos podían soportar casi cuatro veces la fuerza que eran capaces de proporcionar realmente. Cuando el coche real intentaba conducir a las velocidades que la computadora consideraba seguras, simplemente se quedaba sin adherencia y se salía de la pista.

Los investigadores rastrearon este fallo a un concepto conocido como "excitación". Para que un sistema aprenda una propiedad, debe ser excitado o estimulado lo suficiente como para revelar esa propiedad. En el contexto de la identificación de neumáticos, el coche debe ser conducido con la dureza suficiente para sentir el borde de su adherencia. La conducción de prueba virtual utilizada por el sistema original era demasiado suave para un vehículo de tamaño completo. Los investigadores calcularizaron que la conducción virtual solo era capaz de demandar una fracción de la fricción que el neumático realmente podía proporcionar. Debido a que los datos nunca alcanzaron el pico de la curva de rendimiento del neumático, el modelo matemático no podía distinguir entre un neumático de baja adherencia y uno de alta adherencia. Simplemente se asentó en la respuesta más alta permitida por sus límites de seguridad, creando una falsa sensación de seguridad.

Para solucionar esto, el equipo rediseñó la cadena de identificación para que fuera "consciente de la excitación". Cambiaron el sistema para que la conducción de prueba virtual ajustara automáticamente su velocidad e intensidad de dirección basándose en qué tan rápido estaba conduciendo el coche realmente en la pista real. Si el coche se movía rápido, la prueba virtual se volvía más agresiva, asegurando que demandara suficiente fuerza para revelar los verdaderos límites de los neumáticos. También introdujeron un nuevo control de seguridad. En lugar de solo mirar los números brutos que producía la computadora, verificaban si el modelo resultante tenía sentido físico. Verificaban que el techo de adherencia calculado no fuera superior a lo que la carretera podría soportar realmente y que el comportamiento de dirección del coche permaneciera estable. Si el modelo fallaba estas comprobaciones físicas, el sistema lo rechazaba y seguía utilizando el modelo anterior, conocido como seguro, en lugar de desplegar uno nuevo peligroso.

Los resultados de estos cambios fueron dramáticos en la simulación. En una superficie estática donde la adherencia era constante, el sistema corregido aprendió la rigidez del neumático con un error de menos del 3.2 por ciento, mientras que el sistema antiguo erraba por más del 100 por ciento. Más importante aún, el equipo probó el sistema en una superficie donde la adherencia se desvanecía lentamente, simulando una pista que se estaba mojando o desgastando. El sistema antiguo, estancado en su estimación falsa de alta adherencia, no notó la pérdida de tracción. Continuó conduciendo a velocidades que ya no eran seguras, provocando que el coche trompeara y saliera de la pista durante la segunda vuelta. El sistema corregido, sin embargo, detectó la pérdida de adherencia. Se dio cuenta de que los neumáticos estaban perdiendo su agarre y el controlador reajustó el perfil de velocidad de referencia contra los nuevos límites más bajos. Esto permitió al vehículo completar tres vueltas completas con el mismo nivel de precisión de antes, simplemente ajustando su velocidad a las condiciones cambiantes.

El estudio destaca una lección crítica para los vehículos autónomos: un modelo que se ajusta perfectamente a los datos no es necesariamente un modelo que entiende la física. Los investigadores descubrieron que no basta con comprobar si un número cae dentro de un rango seguro; el sistema también debe asegurar que los datos que utiliza para aprender fueron realmente capaces de probar esos límites. Al forzar al sistema a hacer las preguntas correctas a los neumáticos —preguntas lo suficientemente difíciles como para revelar la verdad— pudieron evitar que el coche confiara en una mentira. Aunque estos resultados se lograron en una simulación, la lógica de la solución se basa en leyes físicas que se aplican a los coches reales. Los investigadores concluyen que, para que las carreras autónomas sean seguras y efectivas, el coche debe estar diseñado para buscar activamente los límites de sus propias capacidades, en lugar de asumir que esos límites son lo que la computadora dice que son.