Research on Trajectory Prediction and Risk Control for Distributed-Drive Electric Vehicles Based on a Spatiotemporal Transformer and an Improved DRA Algorithm

आने वाला रास्ता अब केवल एक यात्रा करने वाला मार्ग नहीं रह गया है; आधुनिक वाहन के लिए, यह गतिशील पुर्जों और अदृश्य बलों का एक जटिल, परिवर्तनशील पहेली है। जैसे-जैसे कारें स्वायत्त (ऑटोनॉमस) और इलेक्ट्रिक होती जा रही हैं, उन्हें सुरक्षित रखने की चुनौती केवल खतरे पर प्रतिक्रिया देने से बदलकर उसका पूर्वानुमान लगाने की हो गई है। इसके लिए एक ऐसी प्रणाली की आवश्यकता है जो यातायात के इस अराजक नृत्य को देख सके—कारें त्वरित होना, ब्रेक लगाना और रास्ता बदलना—और सटीक रूप से अनुमान लगा सके कि कुछ सेकंड बाद प्रत्येक वाहन कहाँ होगा। यह 'ट्रैजेक्टरी प्रेडिक्शन' (पथ पूर्वानुमान) का क्षेत्र है। एक विशिष्ट प्रकार के वाहन, जिसे 'डिस्ट्रीब्यूटेड-ड्राइव इलेक्ट्रिक कार' कहा जाता है, जहाँ प्रत्येक पहिए को अपने स्वयं के मोटर द्वारा शक्ति मिलती है, उसके लिए भौतिक विज्ञान और भी जटिल है। ये कारें अविश्वसनीय सटीकता के साथ मुड़ और घूम सकती हैं, लेकिन यही लचीलापन उनके आंदोलनों का पूर्वानुमान लगाना कठिन बना देता है, विशेष रूप से जब वे एक भीड़भाड़ वाले शहर में अन्य ड्राइवरों के साथ परस्पर क्रिया कर रही हों। यदि कोई कंप्यूटर सटीक रूप से यह अनुमान नहीं लगा सकता कि कार कहाँ जा रही है, तो वह दुर्घटना को रोकने के लिए ड्राइवर या स्वयं कार को समय पर चेतावनी नहीं दे सकता।

इसे हल करने के लिए, हुनान इंस्टीट्यूट ऑफ ट्रैफिक इंजीनियरिंग के शोधकर्ताओं ने कंप्यूटर को यातायात के भविष्य को देखना सिखाने का एक नया तरीका विकसित किया है। उन्होंने दो शक्तिशाली उपकरणों को मिलाया: मानव भाषा को संसाधित करने के तरीके से प्रेरित एक परिष्कृत पैटर्न-पहचान प्रणाली, और एक चतुर खोज विधि जो कंप्यूटर को उसके मस्तिष्क के लिए सही सेटिंग्स खोजने में मदद करती है। परिणाम एक ऐसी प्रणाली है जो इन उन्नत इलेक्ट्रिक वाहनों के पथ की आश्चर्यजनक सटीकता के साथ भविष्यवाणी कर सकती है, यहाँ तक कि सबसे भ्रमित करने वाली यातायात स्थितियों में भी। इन कारों के आपसी प्रभाव के सूक्ष्म तरीकों को समझकर, यह नई विधि सड़क के भविष्य की एक स्पष्ट खिड़की प्रदान करती है, जो ड्राइवर को सुरक्षित रखने के लिए आवश्यक विश्वसनीय जानकारी प्रदान करती है, इससे पहले कि कोई खतरा उत्पन्न हो।

इस शोध का मूल आधार कंप्यूटर के वर्तमान सीखने के तरीके में एक विशिष्ट कमजोरी को दूर करना है। पारंपरिक तरीके इलेक्ट्रिक कारों के तीव्र, गैर-रैखिक (नॉन-लीनियर) परिवर्तनों के साथ तालमेल बिठाने में संघर्ष करते हैं, विशेष रूप से तब जब कई वाहन आपस में क्रिया कर रहे हों। शोधकर्ताओं ने 'ट्रांसफॉर्मर' नामक एक डीप लर्निंग मॉडल का उपयोग किया, जो घटनाओं के लंबे अनुक्रमों और उनके बीच के संबंधों को समझने में उत्कृष्ट है। हालाँकि, एक जटिल वाद्य यंत्र की तरह, इस मॉडल को सही ढंग से काम करने के लिए सटीक ट्यूनिंग की आवश्यकता होती है। यदि सेटिंग्स थोड़ी भी गलत होती हैं, तो भविष्यवाणियाँ अविश्वसनीय हो जाती हैं। सही सेटिंग्स खोजना एक विशाल, बहु-आयामी घास के ढेर में सुई खोजने जैसा है, जो मानक कंप्यूटर एल्गोरिदम के लिए एक अत्यंत कठिन कार्य है। वे अक्सर स्थानीय समाधानों (लोकल सोल्यूशन्स) में फंस जाते हैं, यह सोचकर कि उन्होंने सबसे अच्छा उत्तर पा लिया है जबकि एक बहुत बेहतर उत्तर ठीक बगल में ही मौजूद होता है, या वे इतनी देर तक खोज करते हैं कि वे वास्तविक समय की सुरक्षा प्रणालियों के लिए बेकार हो जाते हैं।

इससे निपटने के लिए, टीम ने एक उन्नत संस्करण पेश किया जिसे वे 'इम्प्रूव्ड डिवाइन रिलिगन्स एल्गोरिदम' कहते हैं। हालाँकि नाम अमूर्त लगता है, लेकिन इसका तर्क मानवीय अंतःक्रियाओं पर आधारित है। एक ऐसे समुदाय की कल्पना करें जहाँ व्यक्ति नेताओं और अपने पड़ोसियों के प्रभाव के आधार पर लगातार अपने विश्वासों को समायोजित करते हैं। यह एल्गोरिदम इस सामाजिक गतिशीलता की नकल करता है ताकि सर्वोत्तम समाधान की खोज की जा सके। शोधकर्ताओं ने इस प्रक्रिया को दो प्रमुख विशेषताओं को जोड़कर बेहतर बनाया। पहला, उन्होंने उन व्यक्तियों के लिए अनावश्यक गणनाओं को छोड़ने का एक तंत्र बनाया जो सुधार नहीं कर रहे हैं, जिससे मूल्यवान कंप्यूटिंग समय बचता है। दूसरा, उन्होंने खोज के भीतर विभिन्न समूहों को कभी-कभी सदस्यों को बदलने की अनुमति दी, जिससे यह सुनिश्चित हुआ कि खोज एक ही क्षेत्र में न फँसे बल्कि संभावनाओं के पूरे परिदृश्य का अन्वेषण करती रहे। इस हाइब्रिड दृष्टिकोण ने सिस्टम को पिछले तरीकों की तुलना में बहुत तेज़ी से और अधिक सटीकता के साथ भविष्यवाणी मॉडल के लिए इष्टतम सेटिंग्स खोजने में सक्षम बनाया।

टीम ने इस नए सिस्टम का परीक्षण एक कस्टम-निर्मित "मल्टी-व्हीकल इंटरैक्शन ट्रैजेक्टरी डेटासेट फॉर डिस्ट्रीब्यूटेड-ड्राइव इलेक्ट्रिक व्हीकल्स" का उपयोग करके किया। डेटा ने अध्ययन और सत्यापन लक्ष्यों के लिए प्रासंगिक परिदृश्यों की एक विस्तृत श्रृंखला को कवर किया, जिसमें आठ प्रयोगात्मक वाहनों के उच्च-आवृत्ति रिकॉर्डिंग शामिल थे जो डिस्ट्रीब्यूटेड-ड्राइव सिस्टम से लैस थे। शोधकर्ताओं ने गति के इस समृद्ध इतिहास को अपने नए मॉडल में डाला, जिसे फिर इनपुट अनुक्रमों के आधार पर भविष्य की अवस्थाओं की भविष्यवाणी करनी थी। परिणाम चौंकाने वाले थे। जटिल अंतःक्रियाओं और गतिशील परिदृश्यों वाले परीक्षणों में, नए तरीके ने वाहनों के भविष्य के पथ की भविष्यवाणी मात्र तीन सेंटीमीटर के औसत त्रुटि के साथ की। यह मौजूदा तरीकों की तुलना में एक बड़ी उपलब्धि है, जो अक्सर एक मीटर या उससे अधिक की चूक कर जाते हैं।

अध्ययन ने स्पष्ट रूप से दिखाया कि सरल न्यूरल नेटवर्क या ग्राफ-आधारित मॉडल पर आधारित पुराने, अधिक सामान्य तरीके इन जटिल, उच्च-गति वाली अंतःक्रियाओं के लिए अपर्याप्त थे। उन परिदृश्यों में जिनमें सटीक पथ मॉडलिंग की आवश्यकता थी, पुराने मॉडलों ने अक्सर ऐसा पथ बताया जो बहुत धीमा था या वास्तविक पथ से भटक गया था। हालाँकि, नया मॉडल वाहन के इच्छित पथ को उल्लेखनीय निष्ठा के साथ ट्रैक करता है, जो सुचारू वक्रों और अचानक समायोजनों दोनों को पकड़ लेता है। शोधकर्ताओं ने कई मानक मेट्रिक्स का उपयोग करके इस सफलता को मापा, जिससे पता चला कि उनका दृष्टिकोण अगले सर्वश्रेष्ठ तरीके की तुलना में भविष्यवाणी त्रुटियों को 95 प्रतिशत से अधिक कम कर देता है। यह स्तर की सटीकता केवल एक सांख्यिकीय जीत नहीं है; इसका अर्थ है कि सिस्टम संभावित टकराव के जोखिम को बहुत पहले पहचान सकता है, जिससे वाहन की सुरक्षा प्रणालियों को हस्तक्षेप करने के लिए पर्याप्त समय मिल जाता है।

एक शक्तिशाली पैटर्न-रिकग्निशन इंजन को अत्यधिक कुशल खोज रणनीति के साथ जोड़कर, यह शोध स्वायत्त वाहनों को सुरक्षित बनाने की दिशा में एक महत्वपूर्ण कदम प्रदर्शित करता है। एक अराजक वातावरण में, भले ही वह किसी मानव या अन्य स्वायत्त प्रणाली द्वारा संचालित हो, इतनी सटीकता के साथ कार की भविष्य की गति का अनुमान लगाने की क्षमता सक्रिय सुरक्षा के लिए एक ठोस आधार प्रदान करती है। यह तकनीक को केवल जो घटित हो चुका है उस पर प्रतिक्रिया देने से हटाकर, जो होने वाला है उसे समझने की ओर ले जाता है। कल के ड्राइवरों के लिए, इसका अर्थ है एक ऐसा रास्ता जहाँ कार यातायात के प्रवाह को एक अनुभवी मानव चालक की तरह समझती है, और किसी गलती के दुर्घटना बनने से पहले ही कार्य करने के लिए तैयार रहती है। यह कार्य पुष्टि करता है कि सही गणितीय उपकरणों के साथ, हम मशीनों को सड़क को केवल वैसा नहीं, बल्कि जैसा वह होगी, वैसे देखना सिखा सकते हैं।