⚡ electrical engineering

Online Slip Detection and Friction Coefficient Estimation for Autonomous Racing

यह शोध पत्र स्वायत्त रेसिंग (autonomous racing) में वास्तविक समय में स्लिप डिटेक्शन और टायर-रोड घर्षण गुणांक (friction coefficient) के अनुमान के लिए एक हल्का, मॉडल-मुक्त दृष्टिकोण प्रस्तुत करता है जो पूरी तरह से IMU, LiDAR और कंट्रोल इनपुट पर निर्भर करता है, जो जटिल मॉडल या प्रशिक्षण डेटा की आवश्यकता के बिना विभिन्न घर्षण स्तरों पर सटीक प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Christopher Oeltjen, Carson Sobolewski, Saleh Faghfoorian, Lorant Domokos, Giancarlo Vidal, Sriram Yerramsetty, Ivan Ruchkin

प्रकाशित 2026-03-13

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Christopher Oeltjen, Carson Sobolewski, Saleh Faghfoorian, Lorant Domokos, Giancarlo Vidal, Sriram Yerramsetty, Ivan Ruchkin

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रेस कार को बहुत तेज़ गति से चला रहे हैं। आप जानते हैं कि यदि आप बहुत तेज़ी से मुड़ते हैं या बहुत ज़ोर से ब्रेक लगाते हैं, तो टायर सड़क पर अपनी पकड़ खो देंगे और कार नियंत्रण से बाहर होकर फिसल जाएगी। यह "पकड़" (grip) टायर और सड़क के बीच के घर्षण (friction) द्वारा निर्धारित होती है।

स्वायत्त (स्वयं-चालित) रेसिंग की दुनिया में, आपको ठीक-ठीक पता होना चाहिए कि आपके पास कितनी पकड़ है, क्योंकि यही जीत और दुर्घटना के बीच का अंतर तय करता है। समस्या क्या है? आप पकड़ को मापने के लिए सड़क पर कोई सेंसर नहीं लगा सकते। यह अदृश्य है, और यह तुरंत बदल जाती है—चाहे आप सूखी टाइल पर हों, गीले कार्डबोर्ड पर, या चिकने प्लास्टिक पर।

यह शोध पत्र एक चतुर, "लाइटवेट" (हल्के) तरीके का परिचय देता है जो एक स्वायत्त कार को महंगे सेंसर, जटिल भौतिकी की पाठ्यपुस्तकों, या भारी मात्रा में ट्रेनिंग डेटा के बिना, वास्तविक समय (real-time) में अपनी पकड़ का स्तर समझने में सक्षम बनाता है।

यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. "अपेक्षा बनाम वास्तविकता" परीक्षण (स्लिप डिटेक्शन)

कल्पना कीजिए कि आप एक चिकने फर्श पर चल रहे हैं। यदि आप अपने मस्तिष्क को बताते हैं, "मैं 3 मील प्रति घंटे की गति से आगे बढ़ रहा हूँ," तो आपके पैर 3 मील प्रति घंटे की गति से चलते हैं। लेकिन यदि आप बर्फ के एक टुकड़े पर कदम रखते हैं, तो आपका मस्तिष्क अभी भी "3 मील प्रति घंटा" कहता है, लेकिन आपके पैर पीछे की ओर फिसल जाते हैं। आप तुरंत जान जाते हैं कि आप फिसले हैं क्योंकि जो आपने आदेश दिया था वह जो वास्तव में हुआ उससे मेल नहीं खाता।

शोधकर्ताओं का सिस्टम कार के लिए बिल्कुल यही करता है:

आदेश (The Command): कार का कंप्यूटर कहता है, "पहिए को 10 डिग्री घुमाएं और 5 मील प्रति घंटे की गति से चलें।"
अपेक्षा (The Expectation): सरल ज्यामिति (जैसे कि एक बाइसिकल मॉडल) के आधार पर, कंप्यूटर गणना करता है: "यदि मैं 10 डिग्री मुड़ता हूँ और 5 मील प्रति घंटे की गति से चलता हूँ, तो मुझे इस विशिष्ट गति से घूमना चाहिए।"
वास्तविकता की जाँच (The Reality Check): कार अपने LiDAR (एक लेजर स्कैनर जो दुनिया का मानचित्र बनाता है) और IMU (एक एक्सेलेरोमीटर जो गति को महसूस करता है, जैसे आपके फोन में होता है) को देखती है। वह पूछती है, "रुको, मैं वास्तव में उस गति से तेज़ घूम रहा हूँ जितनी मुझे घूमना चाहिए था!"
अलार्म (The Alarm): जिस क्षण "वास्तविकता", "अपेक्षा" से काफी अलग हो जाती है, सिस्टम चिल्ला उठता है, "फिसलन का पता चला!" (SLIP DETECTED!)

यह शानदार है क्योंकि इसे यह जानने की ज़रूरत नहीं है कि फिसलन क्यों हुई (क्या यह बर्फ है? क्या यह तेल है?); इसे बस इतना पता है कि कार वह नहीं कर रही है जो उसे करने के लिए कहा गया था।

2. "सुरक्षित क्षेत्र" का मापन (फ्रिक्शन एस्टीमेशन)

एक बार जब सिस्टम जान जाता है कि कार फिसल नहीं रही है, तो यह सड़क की पकड़ का "स्नैपशॉट" लेना शुरू कर देता है।

इसे इस तरह सोचें जैसे आप एक भारी बॉक्स को फर्श पर धकेलने की कोशिश कर रहे हैं, इससे पहले कि वह फिसलने लगे।

जब तक कार सुचारू रूप से चल रही है (कोई फिसलन नहीं), सिस्टम देखता है कि कार कितनी ज़ोर से बगल में या आगे की ओर त्वरित (accelerate) हो रही है।
यह गणना करता है कि फिसलने से ठीक पहले टायरों ने कितनी अधिकतम शक्ति (maximum force) झेली।
वह अधिकतम शक्ति घर्षण गुणांक (Friction Coefficient) है।

यदि कार उच्च-पकड़ वाली सतह (जैसे खुरदरा कार्डबोर्ड) पर है, तो वह फिसलने से पहले बहुत अधिक बल झेल सकती है। यदि वह कम-पकड़ वाली सतह (जैसे चिकनी टाइल) पर है, तो वह बहुत कम बल के साथ फिसल जाएगी। सुरक्षित ड्राइविंग के क्षणों के दौरान उस "टिपिंग पॉइंट" को खोजकर, कार को पता चल जाता है कि उसके पास कितनी पकड़ है।

3. यह एक बड़ी बात क्यों है

अन्य अधिकांश तरीके किसी 500 पन्नों की मौसम विज्ञान की किताब पढ़ने (जटिल मॉडल) या 10,000 घंटों के मौसम के वीडियो देखने (मशीन लर्निंग) के समान हैं।

पुराना तरीका: इसके लिए कार के सटीक वजन, टायरों की कठोरता और एरोडायनामिक्स को जानने की आवश्यकता होती है। यदि आप टायर बदलते हैं या यात्री जोड़ते हैं, तो गणित बिगड़ जाता है।
नया तरीका (यह शोध पत्र): यह एक ड्राइवर के सड़क को "महसूस" करने जैसा है। यह केवल उन्हीं मानक सेंसरों का उपयोग करता है जो हर कार में पहले से मौजूद होते हैं (LiDAR और IMU) और सरल गणित का उपयोग करता है। इसे हर नए ट्रैक या सतह के लिए फिर से प्रशिक्षित करने की आवश्यकता नहीं है।

परिणाम

टीम ने इसका परीक्षण एक छोटी, 1:10 स्केल की रेस कार पर किया। उन्होंने इसे तीन अलग-अलग सतहों पर चलाया:

सिरेमिक टाइल (बहुत फिसलन भरी)
कार्डबोर्ड (बहुत अधिक पकड़ वाली)
एक्रिलिक (मध्यम पकड़)

सिस्टम अविश्वसनीय रूप से सटीक था। इसने लगभग तुरंत (आधे सेकंड के भीतर) फिसलन का पता लगाया और मैनुअल माप की तुलना में 10% से भी कम की त्रुटि के साथ घर्षण स्तर की गणना की।

निष्कर्ष

यह शोध पत्र स्वायत्त कारों के लिए सड़क को "महसूस" करने का एक "स्मार्ट और सरल" तरीका प्रस्तुत करता है। कार का एक आदर्श डिजिटल जुड़वां और ब्रह्मांड के भौतिकी बनाने की कोशिश करने के बजाय, यह केवल इस बात की तुलना करता है कि कार को क्या करने के लिए कहा गया था और कार ने वास्तव में क्या किया।

यह एक हल्का, कुशल और अत्यधिक प्रभावी उपकरण है जो भविष्य के स्वायत्त वाहनों को उन सड़कों पर भी तेज़ी से दौड़ने और सुरक्षित रूप से चलाने में मदद कर सकता है जिन्हें उन्होंने पहले कभी नहीं देखा है।

यहाँ शोध पत्र "Online Slip Detection and Friction Coefficient Estimation for Autonomous Racing" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

स्वायत्त वाहनों (autonomous vehicles) की सुरक्षा, स्थिरता और प्रदर्शन के लिए, विशेष रूप से रेसिंग में जहाँ वाहन घर्षण सीमा (friction limit) के करीब संचालित होते हैं, टायर-रोड फ्रिक्शन कोएफिशिएंट (TRFC) का सटीक ज्ञान अत्यंत महत्वपूर्ण है। हालाँकि, TRFC को मानक ऑनबोर्ड सेंसरों द्वारा सीधे मापा नहीं जा सकता है। मौजूदा अनुमान विधियाँ महत्वपूर्ण सीमाओं का सामना करती हैं:

कारण-आधारित दृष्टिकोण (Cause-based approaches): (जैसे कैमरा, LiDAR टेक्सचर विश्लेषण) अक्सर केवल मोटे अनुमान प्रदान करते हैं और इनके लिए बड़े प्रशिक्षण डेटासेट की आवश्यकता होती है।
प्रभाव-आधारित मॉडल-आधारित दृष्टिकोण (Effect-based model-based approaches): (जैसे कलमन फिल्टर्स, MPC) सटीक वाहन/टायर मॉडल और पैरामीटर पहचान (जैसे द्रव्यमान, जड़त्व, कॉर्नरिंग स्टिफनेस) पर अत्यधिक निर्भर करते हैं, जिन्हें प्राप्त करना कठिन होता है और जो स्थितियों के साथ बदलते रहते हैं।
प्रभाव-आधारित मॉडल-मुक्त दृष्टिकोण (Effect-based model-free approaches): (जैसे डीप लर्निंग) के लिए आमतौर पर व्यापक प्रशिक्षण डेटा की आवश्यकता होती है और उनमें अनदेखी स्थितियों के प्रति सामान्यीकरण (generalization) की कमी हो सकती है।

लेखक एक ऐसा समाधान प्रस्तावित करते हैं जो जटिल डायनेमिकल मॉडल, पैरामीटर पहचान या बड़े प्रशिक्षण डेटासेट की आवश्यकता को समाप्त करता है, और इसके बजाय केवल मानक ऑनबोर्ड सेंसरों पर निर्भर रहता है।

2. कार्यप्रणाली (Methodology)

प्रस्तावित दृष्टिकोण एक हल्का (lightweight), मॉडल-मुक्त ढांचा है जो केवल IMU (इनर्शियल मेजरमेंट यूनिट), LiDAR, और कंट्रोल इनपुट्स (कमांडेड वेलोसिटी और स्टीयरिंग एंगल) का उपयोग करता है। यह दो विशिष्ट मॉड्यूल में कार्य करता है:

A. स्लिप डिटेक्शन (Slip Detection)

सिस्टम अपेक्षित गति (कंट्रोल इनपुट्स के माध्यम से किनेमैटिक मॉडल से प्राप्त) की तुलना मापी गई गति (सेंसर फ्यूजन से प्राप्त) से करके स्लिप का पता लगाता है।

लीनियर स्लिप डिटेक्शन (Linear Slip Detection): कमांडेड लॉन्गिट्यूडिनल वेलोसिटी ( $v$ ) की तुलना IMU और LiDAR डेटा को फ्यूज करने वाले एक्सटेंडेड कलमन फिल्टर (EKF) से प्राप्त मापी गई लॉन्गिट्यूडिनल वेलोसिटी ( $\hat{v}_x$ ) से करता है।
एंगुलर स्लिप डिटेक्शन (Angular Slip Detection): अपेक्षित याव रेट (yaw rate) (एक सिंगल-ट्रैक बाइसिकल किनेमैटिक मॉडल $\dot{\psi} = \frac{v}{L} \tan(\delta)$ का उपयोग करके गणना की गई) की तुलना LiDAR/IMU से प्राप्त मापी गई याव रेट ( $\hat{\omega}_\psi$ ) से करता है।
तर्क (Logic): यदि अपेक्षित और मापी गई वैल्यू के बीच का पूर्ण अंतर पूर्व-कैलिब्रेटेड थ्रेशोल्ड ( $\delta_{lin}$ या $\delta_{ang}$ ) से अधिक हो जाता है, तो एक स्लिप इवेंट ट्रिगर होता है। ये थ्रेशोल्ड अनलेबल सेंसर डेटा पर क्रॉस-वैलिडेशन का उपयोग करके ऑफलाइन निर्धारित किए जाते हैं।

B. फ्रिक्शन कोएफिशिएंट एस्टीमेशन (Friction Coefficient Estimation)

एक बार स्लिप का पता चलने और सिस्टम द्वारा नॉन-स्लिप अंतराल (non-slip intervals) की पहचान करने के बाद, TRFC का अनुमान सीधे देखे गए त्वरण (accelerations) से लगाया जाता है।

भौतिक आधार (Physics Basis): नॉन-स्लिप स्थितियों के तहत, ट्रैक्शन कोएफिशिएंट $\rho$ को परिणामी लैटरल/लॉन्गिट्यूडिनल फोर्स और नॉर्मल फोर्स के अनुपात के रूप में परिभाषित किया जाता है।
गणना (Calculation): न्यूटन के दूसरे नियम का उपयोग करते हुए और एरोडायनामिक ड्रैग और रोलिंग रेजिस्टेंस को नगण्य मानते हुए:
$\rho = \frac{\sqrt{\hat{a}_x^2 + \hat{a}_y^2}}{g}$
जहाँ $\hat{a}_x$ और $\hat{a}_y$ IMU-मापे गए त्वरण हैं और $g$ गुरुत्वाकर्षण है।
अनुमान (Estimation): अनुमानित फ्रिक्शन कोएफिशिएंट ( $\hat{\mu}$ ) सभी नॉन-स्लिप टाइम स्टेप्स के दौरान देखे गए अधिकतम ट्रैक्शन कोएफिशिएंट का अधिकतम (maximum) है:
$\hat{\mu} = \max_{t: D(t)=1} \rho(t)$
यह सुनिश्चित करता है कि अनुमान उपलब्ध ट्रैक्शन की ऊपरी सीमा (upper bound) का प्रतिनिधित्व करता है।

3. मुख्य योगदान (Key Contributions)

लाइटवेट स्लिप डिटेक्शन: वास्तविक समय में स्लिप का पता लगाने के लिए केवल IMU, LiDAR और कंट्रोल एक्शन का उपयोग करने वाली एक तकनीक, जिसमें स्पष्ट टायर या वाहन डायनेमिक्स मॉडल की आवश्यकता नहीं है।
मॉडल-फ्री TRFC एस्टीमेशन: देखे गए त्वरणों से सीधे फ्रिक्शन कोएफिशिएंट का अनुमान लगाने की एक विधि, जिसमें किसी पैरामीटर पहचान या प्रशिक्षण डेटा की आवश्यकता नहीं है।
प्रायोगिक सत्यापन (Experimental Validation): तीन अलग-अलग सतहों (टाइल्स, कार्डबोर्ड, एक्रिलिक) पर 1:10-स्केल स्वायत्त रेसिंग कार पर व्यापक परीक्षण, जो ग्राउंड ट्रुथ की तुलना में उच्च सटीकता और निरंतरता प्रदर्शित करता है।

4. प्रायोगिक परिणाम (Experimental Results)

प्रयोग तीन अलग-अलग फ्रिक्शन सतहों वाले तीन क्लोज्ड-लूप ट्रैक्स पर 56 रिकॉर्ड किए गए रन का उपयोग करके 1:10-स्केल RoboRacer प्लेटफॉर्म पर किए गए।

स्लिप डिटेक्शन सटीकता (Slip Detection Accuracy):
- प्रिसिजन (Precision): 0.987
- रिकॉल (Recall): 1.000 (सभी 148 लेबल किए गए स्लिप इवेंट्स का पता लगाया)
- F1-स्कोर: 0.993
- विलंब (Delay): औसत डिटेक्शन डिले सतह के आधार पर लगभग 0.4 से 0.6 सेकंड था, जिसे रियल-टाइम कंट्रोल के लिए न्यूनतम माना जाता है।
फ्रिक्शन एस्टीमेशन सटीकता (Friction Estimation Accuracy):
- अनुमानित मान फोर्स गेज के माध्यम से प्राप्त ग्राउंड-ट्रुथ माप के काफी करीब थे।
- टाइल्स (Tile): अनुमानित $\mu \approx 0.714$ बनाम ग्राउंड ट्रुथ $\approx 0.69$ (MAE: 0.042)।
- कार्डबोर्ड (Cardboard): अनुमानित $\mu \approx 1.038$ बनाम ग्राउंड ट्रुथ $\approx 1.02$ (MAE: 0.116)।
- एक्रिलिक (Acrylic): अनुमानित $\mu \approx 0.860$ बनाम ग्राउंड ट्रुथ $\approx 0.84$ (MAE: 0.139)।
तुलना: इस विधि ने जटिल फिल्टरिंग-आधारित तकनीकों (जैसे एडैप्टिव क्यूबचर कलमन फिल्टर) और डीप लर्निंग विधियों के समान मीन एब्सोल्यूट एरर (MAE) प्राप्त किया, बावजूद इसके कि इसमें उनकी कम्प्यूटेशनल जटिलता और डेटा आवश्यकताओं की कमी थी।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र प्रदर्शित करता है कि जटिल मॉडलिंग या विशाल डेटासेट के बिना सटीक, वास्तविक समय में फ्रिक्शन अनुमान और स्लिप डिटेक्शन प्राप्त किया जा सकता है।

व्यावहारिकता (Practicality): यह दृष्टिकोण कम्प्यूटेशनल रूप से कुशल है और संसाधन-सीमित एम्बेडेड सिस्टम (जैसे Jetson Xavier NX) पर तैनात किया जा सकता है, जो इसे वास्तविक दुनिया की स्वायत्त रेसिंग और उच्च-प्रदर्शन ड्राइविंग के लिए उपयुक्त बनाता है।
मजबूती (Robustness): विशिष्ट टायर मॉडल या पैरामीटर ट्यूनिंग पर निर्भरता से बचकर, यह विधि बिना पुन: अंशांकन (re-calibration) के विभिन्न सतह प्रकारों (टाइल्स, कार्डबोर्ड, एक्रिलिक) में अच्छी तरह से सामान्यीकृत होती है।
भावी कार्य (Future Work): लेखक प्लेनर डायनेमिक्स और आइसोट्रोपिक सतहों के संबंध में सीमाओं को स्वीकार करते हैं। भविष्य के शोध का लक्ष्य बाहरी, गीले और एनिसोट्रोपिक वातावरण में सत्यापन को विस्तारित करना और उच्च-गति वाले युद्धाभ्यास के लिए एरोडायनामिक ड्रैग और लोड ट्रांसफर प्रभावों को शामिल करना है।

संक्षेप में, यह कार्य टायर-रोड इंटरैक्शन की निगरानी के लिए एक सरल, तैनात करने योग्य और प्रभावी समाधान प्रदान करता है, जो सैद्धांतिक फ्रिक्शन एस्टीमेशन और व्यावहारिक, वास्तविक समय के स्वायत्त वाहन नियंत्रण के बीच के अंतर को पाटता है।