Real-Time Preview Control of Active Suspensions Under Actuation Limits via Learned MPC Surrogates and Online Identification

प्रत्येक वाहन जो सड़क पर चलता है, उसे एक निरंतर, झटकेदार वास्तविकता का सामना करना पड़ता है: ज़मीन शायद ही कभी समतल होती है। जब एक कार किसी उभार (bump) से टकराती है, तो पहिए ऊपर और नीचे चलते हैं, और बिना किसी हस्तक्षेप के, वह गति सीधे यात्रियों तक स्थानांतरित हो जाती है, जिससे एक ऊबड़-खाबड़, असुविधाजनक सवारी पैदा होती है। दशकों से, इंजीनियरों ने इसे निष्क्रिय प्रणालियों (passive systems) का उपयोग करके हल करने की कोशिश की है, जो झटकों को अवशोषित करने के लिए रबर पैड और मैकेनिकल स्प्रिंग्स का उपयोग करते हैं। बाद में, अर्ध-सक्रिय (semi-active) प्रणालियाँ उभरीं, जो सड़क के प्रति प्रतिक्रिया देने के लिए अपनी कठोरता या डैम्पिंग को समायोजित कर सकती थीं, लेकिन वे अभी भी कार के उस झटके के प्रति प्रतिक्रिया करने पर निर्भर थीं जो पहले ही लग चुका था। अंतिम लक्ष्य हमेशा एक सक्रिय सस्पेंशन सिस्टम रहा है, एक ऐसा सेटअप जो कार की बॉडी को उभार की विपरीत दिशा में धकेलने के लिए मोटर्स और सेंसरों का उपयोग करता है, जिससे कंपन को यात्रियों द्वारा महसूस किए जाने से पहले ही प्रभावी रूप से रद्द किया जा सके। हालांकि यह तकनीक एक सुचारू सवारी और बेहतर सुरक्षा का वादा करती है, लेकिन यह केवल सबसे महंगी कारों में मिलने वाली एक विलासिता (luxury) विशेषता बनकर रह गई है। प्राथमिक बाधा एक कठिन समझौता रही है: वास्तविक समय में सटीक काउंटर-मूवमेंट की गणना करने के लिए आवश्यक कंप्यूटर मानक कार चिप्स के लिए बहुत धीमे हैं, और पर्याप्त बल उत्पन्न करने के लिए आवश्यक मोटर्स अक्सर बड़े या अत्यधिक ऊर्जा खपत करने वाले होते हैं, जो बड़े पैमाने पर उत्पादन के लिए उपयुक्त नहीं हैं।

बेन-गुरियन यूनिवर्सिटी ऑफ द नेगेव और गुआंगडोंग टेक्नियन-इस्राइल इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस अंतर को पाटने का एक नया तरीका प्रस्तावित किया है। उन्होंने एक नियंत्रण प्रणाली विकसित की है जो उन्नत योजना की गणितीय सटीकता को एक सीखे हुए न्यूरल नेटवर्क की गति के साथ जोड़ती है, और साथ ही कार के मोटर्स की भौतिक सीमाओं का सम्मान करती है। उनके काम ने, जिसे विस्तृत कंप्यूटर सिमुलेशन के माध्यम से परखा गया, यह सुझाव दिया है कि बिना सुपरकंप्यूटर या अनंत शक्ति की आवश्यकता के, एक आदर्श सस्पेंशन की सुगमता प्राप्त करना संभव है। मुख्य अंतर्दृष्टि यह है कि सिस्टम केवल सड़क के प्रति प्रतिक्रिया नहीं देता है; यह आगे देखता है। सड़क की सतह का "पूर्वावलोकन" (preview) उपयोग करके—उन उभारों के बारे में डेटा जो अभी कुछ मीटर दूर हैं—कंट्रोलर अपने आंदोलनों को पहले से तैयार कर सकता है। हालाँकि, शोधकर्ताओं ने एक महत्वपूर्ण सूक्ष्मता पाई: यह पूर्वावलोकन क्षमता विशेष रूप से तब सबसे अधिक फायदेमंद होती है जब मोटर्स कमजोर या संतृप्त (saturated) होती हैं। जब एक्ट्यूएटर्स (actuators) मजबूत होते हैं, तो वे बस गड़बड़ियों पर प्रतिक्रिया दे सकते हैं, लेकिन जब वे सीमित होते हैं, तो आगे देखने की क्षमता सिस्टम को अपनी सीमित शक्ति को समय में पहले पुनर्वितरित करने की अनुमति देती है, जिससे पूर्वावलोकन जानकारी अनियंत्रित परिदृश्यों की तुलना में कहीं अधिक मूल्यवान हो जाती है।

इस प्रणाली को व्यावहारिक बनाने के लिए, शोधकर्ताओं ने गति की समस्या का समाधान किया। सस्पेंशन को नियंत्रित करने का सबसे सटीक तरीका 'मॉडल प्रेडिक्टिव कंट्रोल' नामक एक विधि है, जो अगले कुछ सेकंडों के लिए सर्वोत्तम संभावित क्रिया की निरंतर गणना करता है। एक आदर्श दुनिया में, यह गणना तात्कालिक होगी, लेकिन वास्तव में, राजमार्ग की गति से चलती कार के लिए इसमें बहुत समय लगता है। शोधकर्ताओं ने एक न्यूरल नेटवर्क, जो कृत्रिम बुद्धिमत्ता का एक प्रकार है, को धीमे, आदर्श कैलकुलेटर के निर्णयों की नकल करने के लिए प्रशिक्षित करके इस समस्या को हल किया। उन्होंने न्यूरल नेटवर्क को आदर्श नियंत्रक के हजारों उदाहरणों के साथ प्रशिक्षित किया, जिससे उसे सड़क की स्थितियों और कार की स्थिति को पहचानने और उसी सटीकता के साथ प्रतिक्रिया देने की शिक्षा मिली। एक बार प्रशिक्षित होने के बाद, यह न्यूरल नेटवर्क एक "सरोगेट" (surrogate) के रूप में कार्य करता है, जो मूल विधि की तुलना में लगभग अस्सी गुना तेजी से निर्णय लेता है। यह गति इतनी महत्वपूर्ण है कि यह प्रणाली आधुनिक वाहनों में पाए जाने वाले मानक कंप्यूटर चिप्स पर चल सकती है, न कि विशेष, महंगे हार्डवेयर की आवश्यकता है।

अध्ययन ने वास्तविक दुनिया की ड्राइविंग की एक सामान्य समस्या को भी संबोधित किया: कार का वजन बदल जाता है। यात्रियों और सामान से लदी एक वाहन खाली वाहन की तुलना में भारी होती है, और यह परिवर्तन सस्पेंशन के व्यवहार को बदल देता है। खाली कार के लिए डिज़ाइन किया गया कंट्रोलर भरी हुई कार के लिए खराब प्रदर्शन करेगा। इसे संभालने के लिए, टीम ने एक 'ऑनलाइन आइडेंटिफिकेशन मॉड्यूल' जोड़ा है जो गाड़ी चलाते समय वाहन के वर्तमान वजन का निरंतर अनुमान लगाता है। इस अपडेट की गई जानकारी को न्यूरल नेटवर्क में फीड करके, सिस्टम चलते समय अपनी रणनीति को अनुकूलित करता है। उनके सिमुलेशन में, इस अनुकूली दृष्टिकोण ने कंपन को उस प्रणाली की तुलना में अतिरिक्त तैंतीस प्रतिशत कम कर दिया जिसने यह माना था कि वजन कभी नहीं बदलता।

शोधकर्ताओं ने विभिन्न सड़क स्थितियों, जैसे चिकनी सतहों से लेकर ऊबड़-खाबड़, असमान इलाकों और यहाँ तक कि स्पीड बंप जैसे विशिष्ट बाधाओं तक, अपने तरीके का परीक्षण एक मानक बेसलाइन के विरुद्ध किया। उन्होंने एक वाहन के चौथाई हिस्से का सिमुलेशन किया, जिसमें एक एकल पहिये और उसके ऊपर की बॉडी की ऊर्ध्वाधर गति पर ध्यान केंद्रित किया गया, और बाद बाद में इसे आधे-वाहन मॉडल तक विस्तारित किया जिसमें पूरी कार की पिचिंग मोशन (pitching motion) शामिल थी। परिणामों ने दिखाया कि नया सिस्टम पारंपरिक तरीकों से लगातार बेहतर प्रदर्शन करता है। जब मोटर्स के पास पर्याप्त शक्ति थी, तो पूर्वावलोकन-सक्षम प्रणाली ने मानक फीडफॉरवर्ड कंट्रोलर की तुलना में कंपन त्वरण (vibration acceleration) को बारह प्रतिशत कम किया। स्पीड बंप के विशिष्ट मामले में, सुधार और भी नाटकीय था; 0.7 सेकंड के पूर्वावलोकन विंडो के साथ, सिस्टम ने बेसलाइन की तुलना में कंपन त्वरण में 57% की कमी हासिल की। सिस्टम ने पहिया बंप को छूने से पहले ही कार की बॉडी को ऊपर धकेलना शुरू करके काम किया, जो एक सक्रिय कदम था जिसने मोटर को अभिभूत होने से बचाया।

हालाँकि, अध्ययन ने एक मौलिक सीमा को भी प्रकट किया। शोधकर्ताओं ने पाया कि सड़क को आगे देखने के लाभ तब अधिकतम होते हैं जब मोटर्स कमजोर होती हैं और अपनी सीमाओं के करीब काम करती हैं। जब सवारी को सुचारू बनाने के लिए आवश्यक बल मोटर की अधिकतम सीमा से अधिक हो जाता है, तो सिस्टम संतृप्त (saturate) हो जाता है; इन सीमित परिस्थितियों में, आगे की जानकारी अत्यंत महत्वपूर्ण हो जाती है क्योंकि यह कंट्रोलर को अपनी सीमित शक्ति के उपयोग को अनुकूलित करने की अनुमति देती है। इसके विपरीत, यदि एक्ट्यूएटर्स अत्यंत शक्तिशाली हैं और कभी संतृप्त नहीं होते हैं, तो पूर्वावलोकन का लाभ कम हो जाता है। यह निष्कर्ष इंजीनियरों को एक स्पष्ट दिशा प्रदान करता है: पूर्वावलोकन नियंत्रण को प्रभावी बनाने के लिए, हार्डवेयर को अनंत रूप से शक्तिशाली होने की आवश्यकता नहीं है, बल्कि नियंत्रण रणनीति को विशेष रूप रूप से एक्ट्यूएटर की सीमाओं को पार करने के लिए पूर्वावलोकन का लाभ उठाने के लिए डिज़ाइन किया जाना चाहिए। टीम ने यह भी पाया कि बहुत आगे देखना मददगार नहीं है; सड़क के उभारों की आवृत्तियों के लिए लगभग आधे सेकंड का पूर्वावलोकन विंडो पर्याप्त था। इस दृश्य को इससे आगे बढ़ाने से बिना किसी सुधार के कम्प्यूटेशनल भार बढ़ गया।

पेपर यह निष्कर्ष निकालता है कि हालांकि इस पद्धति का अभी तक भौतिक वाहन पर परीक्षण नहीं किया गया है, लेकिन सिमुलेशन परिणाम मजबूत हैं और व्यापक रूप से अपनाने के लिए एक व्यवहार्य मार्ग की ओर संकेत करते हैं। यह दृष्टिकोण एक जटिल, इष्टतम नियंत्रण प्रणाली का प्रदर्शन प्राप्त करने का एक तरीका प्रदान करता है, बिना उच्च कम्प्यूटेशनल लागत के, जिससे सक्रिय सस्पेंशन रोजमर्रा की कारों के लिए एक अधिक यथार्थवादी विकल्प बन जाता है। पूर्वावलोकन नियंत्रण की दूरदर्शिता, एक सीखे हुए न्यूरल नेटवर्क की गति और वास्तविक समय में वजन का पता लगाने की अनुकूलन क्षमता को जोड़कर, शोधकर्ताओं ने एक ऐसे सिस्टम का प्रदर्शन किया है जो एक दिन हर सवारी को लग्जरी सेडान जितना सुचारू बना सकता है, चाहे सड़क की स्थिति या यात्रियों की संख्या कुछ भी हो।