DynSSM: A Physics-Aware State-Space Memory Framework for Learning Vehicle Dynamics

हाई-स्पीड ऑटोनॉमस रेसिंग आर्टिफिशियल इंटेलिजेंस और रोबोटिक्स के लिए सबसे कठिन परीक्षणों में से एक है। सामान्य सेल्फ-ड्राइविंग कारों के विपरीत जो मध्यम गति पर शहर की सड़कों पर चलती हैं, रेसिंग वाहन अपनी भौतिक क्षमताओं की चरम सीमा पर काम करते हैं। वे टायरों की पकड़ (ग्रिप) को उसकी सीमा तक धकेलते हैं, अत्यधिक बल के साथ ब्रेक लगाते हैं, और इतनी तेजी से मुड़ते हैं कि कार का वजन एक तरफ से दूसरी ओर नाटकीय रूप से स्थानांतरित हो जाता है। इन स्थितियों में, भौतिकी के नियम सरल या अनुमानित तरीके से व्यवहार नहीं करते हैं। स्टीयरिंग व्हील घुमाने और कार के मुड़ने के बीच का संबंध जटिल हो जाता है, जो गति, टायर के तापमान और प्रत्येक पहिए पर कितना वजन पड़ रहा है, इसके आधार पर तुरंत बदल जाता है। सफलतापूर्वक रेसिंग करने के लिए, एक कंप्यूटर को कार के ऐसे मॉडल की आवश्यकता होती है जो न केवल सटीक हो बल्कि वास्तविक समय में इन बदलते भौतिक नियमों को भी समझता हो। यदि मॉडल बहुत सरल है, तो यह कार के फिसलने का पूर्वानुमान लगाने में विफल रहता है; यदि यह बहुत जटिल है, तो इसे गणना करने में बहुत अधिक समय लगता है, जिससे प्रतिक्रिया देने से पहले ही कार दुर्घटनाग्रस्त हो सकती है।

डेयटन विश्वविद्यालय के शोधकर्ताओं ने इस विशिष्ट समस्या को हल करने के लिए 'DynSSM' नामक एक नया फ्रेमवर्क विकसित किया है। उनका कार्य एक रेसकार का 'डिजिटल ट्विन' बनाने पर केंद्रित है जो भौतिकी के नियमों का सख्ती से पालन करते हुए डेटा से सीखता है। टीम ने दो अलग-अलग दृष्टिकोणों को मिलाया: क्लासिकल व्हीकल डायनेमिक्स पर आधारित एक संरचित गणितीय मॉडल और एक लचीली लर्निंग सिस्टम जो वास्तविक दुनिया की स्थितियों के अनुकूल होती है। संरचित मॉडल एक विश्वसनीय आधार के रूप में कार्य करता है, यह सुनिश्चित करता है कि कार का व्यवहार हमेशा भौतिक रूप से तर्कसंगली रहे। लर्निंग सिस्टम, जो पिछले कार्यों और उनके परिणामों को याद रखने के लिए उन्नत मेमोरी नेटवर्क का उपयोग करता है, इस आधार को और बेहतर बनाता है। यह मॉडल के भीतर विशिष्ट संख्याओं को समायोजित करता है—जैसे कि टायरों की पकड़ कितनी है या मोड़ के दौरान कार का वजन कैसे बदलता है—ताकी यह ट्रैक पर वास्तव में जो हो रहा है उससे मेल खा सके। महत्वपूर्ण रूप से, इसमें एक सुरक्षा तंत्र शामिल है जो इन समायोजनों को अवास्तविक होने से रोकता है, यह सुनिश्चित करता है कि कार कभी उड़ना न सीख जाए या भौतिकी के विरुद्ध व्यवहार न करे।

शोधकर्ताओं ने इस प्रणाली का परीक्षण दो बहुत अलग स्रोतों के डेटा का उपयोग करके किया: एक छोटे पैमाने का सिम्युलेटेड रेसकार और एक पूर्ण आकार की, वास्तविक दुनिया की ऑटोनॉमस इंडी रेसकार। उन्होंने मॉडल को एक ट्रैक के डेटा पर प्रशिक्षित किया और फिर इसे पूरी तरह से अलग, अनदेखे ट्रैक पर कार की गतिविधियों की भविष्यवाणी करने की चुनौती दी। परिणामों ने दिखाया कि उनका नया फ्रेमवर्क मौजूदा तरीकों की तुलना में काफी अधिक सटीक था। जब कार की आगे बढ़ने की गति, उसके तिरछे फिसलने की गति और उसके घूमने की गति की भविष्यवाणी की गई, तो नए मॉडल ने पूर्व के सर्वश्रेष्ठ मॉडलों की तुलना में आगे की गति में 27 प्रतिशत, तिरछे फिसलने में 74 प्रतिशत और घूमने की गति में लगभग 89 प्रतिशत तक त्रुटियों को कम कर दिया। ये सुधार केवल सैद्धांतिक नहीं थे; जब शोधकर्ताओं ने सिमुलेशन में कार को नियंत्रित करने के लिए इस मॉडल का उपयोग किया, तो वाहन ने अन्य अत्याधुनिक मॉडलों की तुलना में एक पूरा लैप 13 प्रतिशत तेजी से पूरा किया।

यह समझने के लिए कि यह इतना प्रभावी क्यों है, इस प्रणाली की बनावट को देखना सहायक है। शोधकर्ताओं ने पाया कि केवल एक कंप्यूटर प्रोग्राम में डेटा फीड करना जो अगले कदम का अनुमान लगाता है, अक्सर ऐसी त्रुटियों की ओर ले जाता है जो समय के साथ बढ़ती जाती हैं। इसके बजाय, उन्होंने एक ऐसी प्रणाली डिजाइन की जो पहले ज्ञात भौतिकी के आधार पर एक "सर्वश्रेष्ठ अनुमान" की गणना करती है, और फिर उस अनुमान को ठीक करने के लिए एक मेमोरी नेटवर्क का उपयोग करती है। यह मेमोरी नेटवर्क लंबे समय के रुझानों (जैसे कि कार पिछले कुछ सेकंड से कैसे चल रही है) और अल्पकालिक स्पाइक्स (जैसे कि स्टीयरिंग व्हील का अचानक झटका) दोनों पर ध्यान देता है। सिस्टम में एक "गेटेड" सुधार चरण भी शामिल है, जो एक फिल्टर की तरह कार्य करता है। यह कंप्यूटर को भौतिक मॉडल की छोटी गलतियों को ठीक करने की अनुमति देता है, जैसे कि स्टीयरिंग तंत्र में देरी या असमान सड़क सतह, लेकिन यह कंप्यूटर को जंगली और असंभव बदलाव करने से रोकता है। यह संतुलन मॉडल को वास्तविक समय में चलने के लिए पर्याप्त तेज़ और अत्यधिक बलों को संभालने के लिए पर्याप्त सटीक बनाए रखता है।

अध्ययन में यह भी पता लगाया गया कि क्या होता है जब इस प्रणाली के हिस्सों को हटा दिया जाता है। जब शोधकर्ताओं ने भौतिक मापदंडों (पैरामीटर्स) को समायोजित करने की क्षमता को बंद कर दिया, तो मॉडल ने विभिन्न ट्रैकों पर कार के व्यवहार की भविष्यवाणी करने में संघर्ष किया, जिससे सिमुलेशन में अक्सर दुर्घटनाएं हुईं। जब उन्होंने कार के इतिहास को ट्रैक करने वाले मेमोरी घटक को हटा दिया, तो मॉडल कई मोड़ों के प्रति कार की प्रतिक्रिया का अनुमान लगाने में विफल रहा। इन परीक्षणों ने पुष्टि की कि फ्रेमवर्क का हर हिस्सा आवश्यक है: भौतिक ढांचा स्थिरता प्रदान करता है, मेमोरी संदर्भ प्रदान करती है, और सुधार तंत्र वास्तविक दुनिया के जटिल विवरणों को संभालता है। शोधकर्ताओं ने प्रदर्शित किया कि यह दृष्टिकोण न केवल कंप्यूटर सिमुलेशन में छोटी खिलौना कारों के लिए काम करता है, बल्कि इंडियाना और लास वेगास के वास्तविक ट्रैकों पर उच्च गति से चलने वाली पूर्ण आकार की रेसकारों के लिए भी प्रभावी है।

हालांकि परिणाम उत्साहजनक हैं, लेखक नोट करते हैं कि प्रणाली पूर्ण नहीं है। मॉडल वर्तमान में कार के भविष्य के पथ के लिए एक एकल, निश्चित भविष्यवाणी उत्पन्न करता है और विभिन्न परिणामों की संभावना या अपने स्वयं के ज्ञान में अनिश्चितता की गणना स्पष्ट रूप से नहीं करता है। इसके अतिरिक्त, इस प्रणाली का परीक्षण सिमुलेशन और शक्तिशाली कंप्यूटरों पर किया गया है, लेकिन इसे अभी तक एक रेसकार के अंदर वास्तविक हार्डवेयर पर स्थापित नहीं किया गया है ताकि यह देखा जा सके कि यह वास्तविक रेस की सख्त समय सीमाओं के तहत कैसा प्रदर्शन करता है। इन सीमाओं के बावजूद, यह कार्य स्वायत्त वाहनों को सुरक्षित और अधिक सक्षम बनाने की दिशा में एक महत्वपूर्ण कदम है। मशीनों को भौतिकी के मौलिक नियमों को भूले बिना डेटा से सीखने के लिए प्रशिक्षित करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो स्वायत्त कारों को न केवल रेस ट्रैक, बल्कि रोजमर्रा की सड़कों के अप्रत्याशित और जटिल वातावरण में भी नेविगेट करने में मदद कर सकता है। वाहन की गतिशीलता की इतनी सटीकता और गति के साथ भविष्यवाणी करने की क्षमता यह सुझाव देती है कि भविष्य में सेल्फ-ड्राइविंग सिस्टम उस स्तर के आत्मविश्वास और चपलता के साथ काम कर सकते हैं जो पहले पहुंच से बाहर था।