Validation of a driver model for energy consumption simulations of road vehicles

यह समझने के लिए कि एक ट्रक कितना ईंधन उपयोग करता है, इंजीनियर लंबे समय से एक ऐसी पद्धति पर भरोसा करते आए हैं जो वाहन को ट्रेन के एक यात्री की तरह मानती है। वे एक विशिष्ट मार्ग निर्धारित करते हैं जिसमें गति की एक सख्त सीमा और कुछ स्टॉप होते हैं, और फिर यह देखते हैं कि वाहन उस स्क्रिप्ट का कितनी अच्छी तरह पालन कर सकता है। यह दृष्टिकोण लैब में इंजनों के परीक्षण के लिए तो अच्छा काम करता है, लेकिन यह एक महत्वपूर्ण वास्तविकता को नजरअंदाज कर देता है: वास्तविक ड्राइवर किसी स्क्रिप्ट का पालन नहीं करते हैं। वे अपने आस-पास की दुनिया के प्रति प्रतिक्रिया देते हैं। वे सड़क में एक मोड़, गति सीमा के संकेत में बदलाव, या एक पहाड़ी को देखते हैं, और उसी के अनुसार अपनी गति को समायोजित करते हैं। मानवीय निर्णय और धारणा से प्रेरित ये क्षणिक निर्णय, इस बात पर बहुत बड़ा प्रभाव डालते हैं कि एक वाहन कितनी ऊर्जा का उपभोग करता है। यदि हम वास्तविक दुनिया में ईंधन के उपयोग की सटीक भविष्यवाणी करना चाहते हैं, तो हम केवल मशीन का अनुकरण नहीं कर सकते; हमें पहिए के पीछे बैठे व्यक्ति का भी अनुकरण करना चाहिए।

यही वह चुनौती है जिसे स्वीडन के शोधकर्ताओं की एक टीम ने स्वीकार किया, जिन्होंने एक ट्रक ड्राइवर का डिजिटल मॉडल बनाने का लक्ष्य रखा। उनका लक्ष्य मानव मस्तिष्क की एक आदर्श प्रतिलिपि बनाना नहीं था, बल्कि नियमों का एक सरल सेट बनाना था जो पर्यावरणीय संकेतों—जैसे सड़क के आकार या कानूनी गति सीमा—को एक यथार्थवादी स्पीड प्रोफाइल में बदल सके। वे जानना चाहते थे कि क्या एक कंप्यूटर प्रोग्राम इंसानों की तरह गाड़ी चलाना सीख सकता है, विशेष रूप से भारी ट्रकों के लिए ऊर्जा खपत की भविष्यवाणी करने में मदद करने के लिए। अपने विचार का परीक्षण करने के लिए, उन्होंने सत्य के दो बहुत अलग स्रोतों की ओर रुख किया: एक छोटा ड्राइविंग सिम्युलेटर जहाँ पेशेवर ट्रक ड्राइवरों को एक वर्चुअल रूट पर गाड़ी चलाने के लिए कहा गया था, और सैकड़ों वास्तविक ट्रकों के वास्तविक दुनिया के लॉग्स का एक विशाल डेटाबेस जो सार्वजनिक सड़कों पर चल रहे थे।

शोधकर्ताओं ने अपने मॉडल को दो अलग-अलग तरीकों से सोचने के लिए डिज़ाइन किया, ठीक वैसे ही जैसे एक मानव चालक करता है। पहला, "टैक्टिकल" (रणनीतिक) हिस्सा है, जो ड्राइवर का मस्तिष्क है। यह भाग आगे की ओर देखता है, एक मोड़ या गति सीमा का संकेत देखता है, और तय करता है कि आदर्श गति क्या होनी चाहिए। दूसरा, "ऑपरेशनल" (परिचालन) हिस्सा है, जो ड्राइवर के हाथ और पैरों की तरह कार्य करता है। यह भाग उस आदर्श गति को लेता है और यह गणना करता है कि ट्रक को उस गति से मिलाने के लिए गैस या ब्रेक पेडल को कितनी जोर से दबाना है। टीम यह देखना चाहती थी कि क्या यह विभाजित दृष्टिकोण सिम्युलेटर और वास्तविक दुनिया दोनों में देखे गए व्यवहार को सटीक रूप से पुनरुत्पादित कर सकता है।

जब उन्होंने सिम्युलेटर डेटा का उपयोग करके मॉडल के "ऑपरेशनल" पक्ष का परीक्षण किया, तो उन्होंने पाया कि ड्राइवर एक साधारण मशीन की तरह सुसंगत नहीं थे। शोधकर्ताओं ने ड्राइवरों की पेडल गतिविधियों से मेल खाने के लिए मॉडल के नियंत्रणों को ट्यून करने की कोशिश की, लेकिन सेटिंग्स को ड्राइवर और विशिष्ट घटना के आधार पर बदलना पड़ा, जैसे कि एक खड़ी पहाड़ी पर चढ़ने बनाम नीचे उतरने के मामले में। वास्तव में, मॉडल पहाड़ी चढ़ते समय काफी संघर्ष करता था। ड्राइवर इन स्थितियों में अलग व्यवहार करते दिखे, जिसका कारण संभवतः ट्रक के इंजन की शक्ति सीमित होना या गियर बदलना हो सकता है, जो कि एक सरल मॉडल पूरी तरह से नहीं पकड़ पाता। टीम ने यह भी देखा कि ड्राइवर पेडल को लगातार एक सहज, निरंतर रेखा में समायोजित नहीं करते थे। इसके बजाय, वे तब तक प्रतीक्षा करते थे जब तक कि उनकी गति लक्ष्य से बहुत दूर न भटक जाए, और फिर सुधार करते थे। इससे पता चला कि एक सरल, निरंतर नियंत्रण प्रणाली यह बताने के लिए पर्याप्त नहीं हो सकती कि इंसान वास्तव में कैसे गाड़ी चलाते हैं, और एक ऐसा मॉडल जो ठहराव और अचानक समायोजन की अनुमति देता है, अधिक सटीक हो सकता है।

मॉडल का "टैक्टिकल" पक्ष, जो यह तय करता है कि मोड़ पर कितनी गति रखनी है, सिम्युलेटर और वास्तविक दुनिया के बीच तुलना करने पर कुछ दिलचस्प अंतर्दृष्टि प्रदान करता है। शोधकर्ताओं ने देखा कि मोड़ की त्रिज्या (रेडियस) बदलने के साथ गति कैसे बदलती है। वास्तविक ट्रकों के वास्तविक दुनिया के डेटा में, ड्राइवरों ने अपनी गति को इस तरह से समायोजित किया जो एक भौतिक नियम के करीब था: जैसे-जैसे मोड़ अधिक तीखा होता जाता है, गति एक अनुमानित गणितीय संबंध के साथ कम होती जाती है। इस संबंध ने सुझाव दिया कि वास्तविक ड्राइवर काफी हद तक आराम और सुरक्षा की भौतिक सीमाओं द्वारा निर्देशित होते हैं। हालांकि, ड्राइविंग सिम्युलेटर में, ड्राइवरों ने अलग व्यवहार किया। वे वास्तविक दुनिया के ड्राइवरों की तुलना में तीखे मोड़ों के लिए उतनी गति कम नहीं करते थे। शोधकर्ताओं को संदेह है कि ऐसा इसलिए है क्योंकि सिम्युलेटर वातावरण में उन सूक्ष्म दृश्य और भौतिक संकेतों की कमी है जो वास्तविक जीवन में गति और दूरी का आकलन करने में मदद करते हैं। सिमulator में, ड्राइवर मोड़ की तीव्रता के प्रति कम जागरूक लग रहे थे, जिससे उनकी प्रतिक्रिया कमजोर रही।

इन दोनों दुनियाओं की तुलना करके, टीम ने सीखा कि हालांकि उनका सरल मॉडल ड्राइवरों के व्यवहार के सामान्य रुझानों को पकड़ सकता है, लेकिन इसकी स्पष्ट सीमाएं भी थीं। मॉडल यह दिखाने के लिए पर्याप्त रूप से काम करता है कि ड्राइवर आमतौर पर मोड़ों के लिए धीमे होते हैं और पहाड़ियों के लिए तेज होते हैं, लेकिन यह हर बार सटीक गति की भविष्यवाणी नहीं कर सका। वास्तविक दुनिया के डेटा ने विभिन्न ड्राइवरों के बीच बहुत भिन्नता दिखाई, जहाँ कुछ ड्राइवर एक ही सड़क पर बहुत तेज़ या बहुत धीमे चलते थे। सिम्युलेटर डेटा ने और भी अधिक भिन्नता दिखाई, लेकिन इसने यह भी प्रकट किया कि सिमुलेशन में ड्राइवर वास्तविकता के कम विश्वसनीय संस्करण के प्रति प्रतिक्रिया दे रहे थे। अध्ययन ने निष्कर्ष निकाला कि प्रस्तावित मॉडल ड्राइवर के व्यवहार को सिम्युलेट करने के लिए एक व्यवहार्य और पारदर्शी उपकरण है, लेकिन इसे वास्तविक ट्रैफ़िक की अव्यवस्थित, अप्रत्याशित प्रकृति और परिवेश को समझने के अपूर्ण मानवीय तरीके को ध्यान में रखने के लिए बेहतर बनाने की आवश्यकता है।

अंततः, यह कार्य परिवहन के भविष्य के लिए बेहतर सिमुलेशन बनाने के तरीके की एक स्पष्ट तस्वीर प्रदान करता है। यह दिखाता है कि ऊर्जा खपत को वास्तव में समझने के लिए, हमें इंजन से परे देखना होगा और मानवीय तत्व पर विचार करना होगा। हालांकि मॉडल अभी तक मानव चालक की पूर्ण प्रतिलिपि नहीं है, लेकिन यह सफलतापूर्वक प्रदर्शित करता है कि समस्या को रणनीतिक निर्णयों और परिचालन क्रियाओं में विभाजित करना एक आशाजनक मार्ग है। शोधकर्ता सुझाव देते हैं कि इस मॉडल के भविष्य के संस्करणों को अधिक विश्वसनीय उपकरण बनने के लिए पर्यावरण के विवरण और मानवीय व्यवहार की अनिश्चितता को शामिल करने की आवश्यकता होगी।