GPR-Assisted Whale Optimization for PID Controller Tuning in Automotive Cruise Control Systems

कल्पना कीजिए कि एक कार हाईवे पर चल रही है, जिसकी गति किसी इंसान के पैर द्वारा एक्सीलेटर दबाने से नहीं, बल्कि एक कंप्यूटर सिस्टम द्वारा नियंत्रित की जा रही है जो एक निर्धारित लक्ष्य से मेल खाने के लिए इंजन को लगातार समायोजित करता है। यह क्रूज कंट्रोल का वादा है, जो ड्राइवर की थकान को कम करने और ईंधन दक्षता में सुधार करने के लिए डिज़ाइन की गई एक तकनीक है। दशकों से, इन प्रणालियों के पीछे का मस्तिष्क अक्सर एक सरल, तीन-भाग वाला नियंत्रक रहा है जिसे PID कहा जाता है। इसे एक ऐसे ड्राइवर के रूप में सोचें जो तीन चीजों पर प्रतिक्रिया देता है: वर्तमान गति लक्ष्य से कितनी दूर है, वह अंतर कितने समय से बना हुआ है, और गति कितनी तेज़ी से बदल रही है। हालांकि यह दृष्टिकोण विश्वसनीय है, लेकिन जब सड़क ढलान वाली हो जाती है, हवा तेज़ हो जाती है, या कार का इंजन अप्रत्याशित व्यवहार करता है, तो इसे संघर्ष करना पड़ता है। इन नियंत्रकों को पूरी तरह से काम करने के योग्य बनाने के लिए, इंजीनियरों को उनकी तीन आंतरिक सेटिंग्स को सावधानीपूर्वक ट्यून करना पड़ता है। इसे हाथ से करना धीमा और अनिश्चित है, जबकि सर्वोत्तम सेटिंग्स खोजने के लिए पुराने कंप्यूटर तरीकों का उपयोग करने में अक्सर बहुत अधिक समय लगता है या वे किसी गतिरोध में फंस जाते हैं, जिससे वे सबसे अच्छा संभव समाधान खोजने में विफल हो जाते हैं।

तबरीज़ विश्वविद्यालय के एक शोधकर्ता ने इस ट्यूनिंग समस्या को हल करने के लिए एक नया तरीका प्रस्तावित किया है, जो दो अलग-अलग प्रकार की कम्प्यूटेशनल इंटेलिजेंस को मिलाकर एक ऐसा सिस्टम बनाता है जो तेज़ी से सीखता है और बेहतर अनुकूलन करता है। उनका कार्य, जो एक शोध लेख में प्रकाशित हुआ है, एक हाइब्रिड फ्रेमवर्क पर केंद्रित है जो प्रकृति से प्रेरित खोज रणनीति और परिणामों की भविष्यवाणी करने वाली एक मशीन लर्निंग तकनीक को जोड़ता है। उनके समाधान का पहला भाग 'व्हेल ऑप्टिमाइज़ेशन एल्गोरिदम' (Whale Optimization Algorithm) नामक एक एल्गोरिदम का उपयोग करता है। यह विधि हम्पबैक व्हेल के शिकार करने के व्यवहार की नकल करती है, जो अपने शिकार को फंसाने के लिए एक सिकुड़ते हुए सर्पिल (spiral) में घेरा बनाती है। कंप्यूटर मॉडल में, यह वर्चुअल "खोजकर्ताओं" के एक समूह के रूप में अनुवादित होता है जो नियंत्रक सेटिंग्स के विशाल परिदृश्य की खोज करते हैं। वे आशाजनक क्षेत्रों को खोजने के लिए घूमते हैं, फिर अपने द्वारा खोजे गए सर्वोत्तम विकल्पों को परिष्कृत करने के लिए अपना ध्यान केंद्रित करते हैं। समाधान का दूसरा भाग एक 'गौसियन प्रोसेस रिग्रेशन' (Gaussian Process Regression) मॉडल पेश करता है, जो एक अत्यधिक सटीक भविष्यवक्ता के रूप में कार्य करता है। हर बार जब खोजकर्ता एक नया सेटिंग परीक्षण करते हैं, तो एक पूर्ण, समय लेने वाले सिमुलेशन को चलाने के बजाय, यह भविष्यवक्ता पिछले डेटा के आधार पर अनुमान लगाता है कि परिणाम क्या होगा। यह एक ऐसे मानचित्र की तरह है जो दिखाता है कि हर रास्ते पर पैदल चलने से पहले वहां का भूगोल कैसा है, जिससे सिस्टम को मृत अंत (dead ends) को छोड़ने और बहुत कम चरणों में इष्टतम सेटिंग्स पर ध्यान केंद्रित करने की अनुमति मिलती है।

शोधकर्ता ने विभिन्न स्थितियों, जिसमें गति में अचानक परिवर्तन और बाहरी व्यवधान शामिल हैं, के तहत एक कार के क्रूज कंट्रोल सिस्टम का अनुकरण (simulation) करके इस संयुक्त दृष्टिकोण का परीक्षण किया। उन्होंने इस नए तरीके की तुलना दो स्थापित तकनीकों से की: एक 'ब्रूट-फोर्स' दृष्टिकोण जो एक-एक करके हर संभावित सेटिंग की जांच करता है, और एक 'जेनेटिक एल्गोरिदम' जो बेहतर समाधान विकसित करने के लिए जैविक विकास की नकल करता है। सिमुलेशन के परिणामों ने दिखाया कि यह नया हाइब्रिड फ्रेमवर्क दोनों प्रतिस्पर्धियों से बेहतर प्रदर्शन करता है। इसने न केवल अधिक तेज़ी से सर्वोत्तम नियंत्रक सेटिंग्स खोजीं, बल्कि एक सुगम सवारी भी प्रदान की। विशेष रूप से, इस नए तरीके द्वारा ट्यून किए गए सिस्टम ने कार को अपने लक्ष्य की गति तक स्थिर होने में केवल दो सेकंड से थोड़ा अधिक समय लिया, जबकि 'ओवरशूट' (लक्ष्य से आगे निकल जाने की मात्रा) को एक प्रतिशत से नीचे रखा। इसके विपरीत, अन्य तरीकों में या तो स्थिर होने में अधिक समय लगा या कार को वांछित गति के आसपास अधिक अस्थिर रूप से उतार-चढ़ाव करने दिया।

गति के अलावा, शोधकर्ता ने फ्रीक्वेंसी विश्लेषण का उपयोग करके सिस्टम की स्थिरता की जांच की, जो यह देखता है कि कार का नियंत्रण सिस्टम सड़क के विभिन्न प्रकार के व्यवधानों के प्रति कैसे प्रतिक्रिया करता है। सिमुलेशन से पता चला कि नया तरीका एक व्यापक सुरक्षा मार्जिन बनाए रखता है, जिसका अर्थ है कि unexpected बदलावों का सामना करने पर सिस्टम के अस्थिर या अनियंत्रित होने की संभावना कम है। कंट्रोल सिग्नल, जो इंजन को भेजे जाने वाले वास्तविक आदेशों का प्रतिनिधित्व करता है, अधिक सुचारू भी था, जिसमें झटके या उतार-चढ़ाव कम थे। यह सुझाव देता है कि नया तरीका न केवल कार को प्रतिक्रिया देने में तेज़ बनाता है, बल्कि वाहन के मैकेनिकल घटकों के लिए भी कोमल है। अध्ययन ने समय के साथ नियंत्रक की आंतरिक सेटिंग्स में आए बदलावों को भी ट्रैक किया। शुरुआत में, मान व्यापक रूप से उतार-चढ़ाव वाले थे क्योंकि सिस्टम विभिन्न संभावनाओं की खोज कर रहा था, लेकिन वे जल्दी ही स्थिर, सटीक संख्याओं के एक सेट पर अभिसरित (converge) हो गए। यह तीव्र स्थिरता इंगित करती है कि सिस्टम ने नए विचारों की खोज करने और पहले से मिले सर्वोत्तम विचारों को परिष्कृत करने की आवश्यकता के बीच कुशलता से संतुलन बनाया।

शोधकर्ता ने वास्तविक सिमुलेशन के परिणामों के विरुद्ध अपने भविष्य कहने वाले मॉडल की सटीकता को भी प्रमाणित किया। भविष्यवाणियां वास्तविक परिणामों के साथ उल्लेखनीय सटीकता से मेल खाती थीं, जिससे पुष्टि होती है कि मॉडल हर बार पूर्ण, महंगे सिमुलेशन चलाने की आवश्यकता के बिना प्रदर्शन का विश्वसनीय पूर्वानुमान लगा सकता है। यह दक्षता वास्तविक दुनिया के अनुप्रयोगों के लिए महत्वपूर्ण है जहाँ कंप्यूटरों के पास सीमित समय और शक्ति होती है। यह सिद्ध करके कि यह हाइब्रिड दृष्टिकोण मौजूदा तरीकों की तुलना में तेज़ी से और अधिक स्थिरता के साथ बेहतर नियंत्रक सेटिंग्स पा सकता है, यह अध्ययन अगली पीढ़ी के बुद्धिमान वाहन प्रणालियों के लिए एक सम्मोहक मार्ग प्रस्तुत करता है। यह कार्य सुझाव देता है कि प्रकृति से प्रेरित खोज एल्गोरिदम को एक भविष्य कहने वाले लर्निंग मॉडल के साथ मिलकर काम करने देकर, इंजीनियर ऐसे क्रूज कंट्रोल सिस्टम बना सकते हैं जो न केवल अधिक सटीक हैं, बल्कि वास्तविक सड़कों पर पाई जाने वाली अप्रत्याशित परिस्थितियों के प्रति अधिक मजबूत भी हैं।