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

Chaque voiture électrique porte aujourd'hui une tension silencieuse et invisible entre la route et ses pneus. Lorsqu'un conducteur appuie sur l'accélérateur ou tourne le volant, les pneus doivent agripper la chaussée pour traduire cette commande en mouvement. Si la route est sèche et lisse, cette adhérence est forte et prévisible. Mais lorsque la surface change pour devenir de l'asphalte mouillé, du gravier meuble ou une plaque de glace, l'adhérence disponible change instantanément et de manière imprévisible. Pour que les systèmes de sécurité de la voiture puissent fonctionner, ils doivent savoir exactement quelle force chaque pneu utilise actuellement et quelle force supplémentaire il peut supporter avant de glisser. Cette connaissance est la différence entre un arrêt contrôlé et une dérapage. Le défi est que les pneus sont cachés sous le véhicule, et les forces qu'ils génèrent ne peuvent pas être mesurées directement sans capteurs coûteux et fragiles qui ne se trouvent pas dans les voitures de série. Au lieu de cela, les ingénieurs doivent estimer ces forces en observant le mouvement de la caisse de la voiture et en regardant la route devant eux, tentant de reconstituer une image complète à partir d'indices incomplets.

Un chercheur a développé une nouvelle façon de résoudre ce casse-tête en apprenant à un ordinateur à penser comme un physicien tout en regardant la route comme un conducteur. L'étude, menée par Timileyin Akande à l'Université Technique d'Abiola Ajimobi, se concentre sur la création d'un système capable de prédire les forces exactes agissant sur chacune des quatre roues d'un véhicule électrique en temps réel. Le chercheur a combiné deux types d'informations différents : un flux de données provenant des propres capteurs de la voiture, qui suivent la vitesse, l'angle de braquage et l'accélération, et un flux d'informations visuelles provenant d'une caméra frontale qui identifie le type de surface de la route devant soi. En fusionnant ces deux flux, le système peut anticiper les changements d'adhérence avant même que la voiture ne les ressente. L'objectif n'était pas seulement de deviner les forces, mais de le faire de manière à respecter les lois fondamentales de la physique, garantissant que les prédictions ne suggèrent jamais qu'un pneu possède plus d'adhérence que ce qui est physiquement possible.

Pour construire et tester ce système, le chercheur a été confronté à un obstacle majeur : les données du monde réel incluant des mesures précises des forces de pneus sont extrêmement rares et dangereuses à collecter, surtout sur des surfaces glissantes comme la neige fraîche ou la glace. Au lieu de risquer un accident sur une piste d'essai, le chercheur a créé un monde virtuel hautement détaillé. Il a utilisé une simulation informatique qui imite la physique d'une véritable voiture électrique, complète avec un modèle mathématique du comportement des pneus sous contrainte. Il a lancé des milliers de scénarios de conduite virtuels, allant de la navigation à vitesse constante au freinage d'urgence, à travers cinq conditions de route différentes, de l'asphalte sec à la glace. Pour rendre la partie visuelle du système réaliste, il n'a pas tenté de générer de fausses images de routes. Au lieu de cela, il a simulé la sortie d'un système de caméra qui avait été entraîné sur un large ensemble de données publiques d'images de routes réelles, permettant à l'ordinateur de « voir » la route avec le même niveau d'incertitude et de précision qu'une véritable caméra. Cette approche hybride leur a permis d'obtenir un ensemble massif de 9 000 exemples étiquetés, associant les lectures des capteurs et les vues de la route aux forces exactes de vérité terrain qui se produisaient dans la simulation.

Le cœur de leur solution est un programme informatique léger, ou réseau de neurones, conçu pour être assez petit pour s'exécuter sur l'ordinateur de bord existant de la voiture sans la ralentir. Le système comporte deux parties principales. Une partie observe les capteurs de la voiture, analysant une courte fenêtre de temps pour comprendre comment le véhicule se déplace actuellement. L'autre partie observe la classification de la route fournie par la caméra, indiquant au système s'il roule sur du pavé sec, du gravier mouillé ou de la glace. Ces deux flux d'informations sont réunis à l'aide d'une méthode ingénieuse et efficace qui permet à l'information visuelle d'ajuster l'interprétation des données des capteurs. Crucialement, le système est entraîné avec un livre de règles intégré basé sur la physique. Il est pénalisé s'il prédit une force qui causerait au pneu de glisser plus que la surface de la route ne le permet. Cela garantit que même si les données sont bruitées ou que la situation est inhabituelle, les prédictions du système restent physiquement possibles et sûres.

Les résultats de la simulation ont montré que cette approche combinée fonctionne nettement mieux que le fait de s'appuyer sur un seul type d'information. Sur des surfaces glissantes comme l'asphalte mouillé, la neige et la glace, ce nouveau système a réduit l'erreur dans ses prédictions de force de 22 à 42 % par rapport aux systèmes qui ne regardaient que les capteurs de la voiture ou qui combinaient simplement les données sans les règles de physique. Plus important encore, le système a commis moins d'erreurs dangereuses. Il a violé les limites physiques de l'adhérence des pneus bien moins souvent que les autres méthodes, ce qui est critique pour les systèmes de sécurité qui doivent savoir exactement quand un pneu est sur le point de perdre sa traction. Le système s'est également révélé très stable, produisant des résultats cohérents même lorsqu'il était testé sur des conditions de route qu'il n'avait jamais vues auparavant, comme la neige fraîche, ce qui suggère qu'il pourrait bien se généraliser à la conduite réelle. Tout le processus est incroyablement rapide, prenant moins d'une milliseconde pour faire une prédiction, ce qui signifie qu'il peut suivre les décisions rapides requises par les contrôles de sécurité modernes des véhicules.

Ce travail démontre qu'ajouter une couche de compréhension physique à l'apprentissage fondé sur les données crée un outil plus robuste et plus fiable pour la sécurité des véhicules. En apprenant à l'ordinateur à respecter les lois de la friction et du transfert de charge, le chercheur a créé un système qui est non seulement précis mais aussi digne de confiance. L'étude suggère qu'à l'avenir, les véhicules électriques pourraient utiliser ce type de système léger et conscient de la physique pour gérer leur stabilité et leur traction plus efficacement, particulièrement dans des conditions météorologiques dangereuses où les temps de réaction humains ne suffisent pas. Bien que les résultats aient été obtenus dans une simulation, la méthode offre une voie claire et pratique pour construire des voitures plus sûres et plus intelligentes qui comprennent la route aussi bien qu'elles comprennent leur propre mouvement.