Physics-Informed Multimodal Learning for Wheel-Force Prediction and Grip Utilization Optimization Using Image Detection and Chassis Sensors in Electric Vehicles

आज के हर इलेक्ट्रिक कार में सड़क और उसके टायरों के बीच एक शांत, अदृश्य तनाव होता है। जब कोई ड्राइवर एक्सीलरेटर दबाता है या स्टीयरिंग व्हील घुमाता है, तो गति में उस आदेश को बदलने के लिए टायरों को सड़क को पकड़ना (grip) पड़ता है। यदि सड़क सूखी और चिकनी है, तो यह पकड़ मजबूत और अनुमानित होती है। लेकिन जब सतह गीली डामर, ढीली बजरी या बर्फ के टुकड़े में बदल जाती है, तो उपलब्ध पकड़ तुरंत और अप्रत्याशित रूप से बदल जाती है। कार के सुरक्षा प्रणालियों के काम करने के लिए, उन्हें यह जानने की आवश्यकता होती है कि प्रत्येक टायर वर्तमान में कितना बल उपयोग कर रहा है और फिसलने से पहले वह और कितना भार सह सकता है। यह जानकारी एक नियंत्रित स्टॉप और एक स्किड (फिसलन) के बीच का अंतर है। चुनौती यह है कि टायर वाहन के नीचे छिपे होते हैं, और उनके द्वारा उत्पन्न बलों को महंगे, नाजुक सेंसर के बिना सीधे नहीं मापा जा सकता जो उत्पादन कारों में नहीं पाए जाते। इसके बजाय, इंजीनियर इन बलों का अनुमान लगाने के लिए कार के शरीर की गति को देखते हैं और सामने की सड़क को देखते हैं, अधूरे सुरागों से एक पूर्ण चित्र बनाने की कोशिश करते हैं।

एक शोधकर्ता ने इस पहेली को सुलझाने का एक नया तरीका विकसित किया है, जिसमें कंप्यूटर को एक भौतिक विज्ञानी (physicist) की तरह सोचने और एक ड्राइवर की तरह सड़क को देखने के लिए प्रशिक्षित किया गया है। अबियोला अजिमोबी तकनीकी विश्वविद्यालय में टिमिलीन अकांडे द्वारा किए गए इस अध्ययन में एक ऐसी प्रणाली बनाने पर ध्यान केंद्रित किया गया है जो वास्तविक समय में इलेक्ट्रिक वाहन के चारों पहियों पर लगने वाले सटीक बलों की भविष्यवाणी कर सके। शोधकर्ता ने दो अलग-अलग प्रकार की सूचनाओं को जोड़ा: कार के अपने सेंसरों से प्राप्त डेटा का एक प्रवाह, जो गति, स्टीयरिंग कोण और त्वरण को ट्रैक करता है, और एक सामने की ओर लगे कैमरे से प्राप्त दृश्य सूचना का एक प्रवाह जो आगे की सड़क के प्रकार की पहचान करता है। इन दो धाराओं को जोड़कर, सिस्टम कार द्वारा महसूस करने से पहले ही पकड़ में होने वाले परिवर्तनों का अनुमान लगा सकता है। लक्ष्य केवल बलों का अनुमान लगाना नहीं था, बल्कि इसे भौतिकी के मूलभूत नियमों का सम्मान करते हुए करना था, जिससे यह सुनिश्चित हो सके कि भविष्यवाणियां कभी भी यह सुझाव न दें कि एक टायर उस पकड़ को बनाए रख रहा है जो भौतिक रूप से संभव नहीं है।

इस प्रणाली को बनाने और परीक्षण करने के लिए, शोधकर्ता को एक महत्वपूर्ण बाधा का सामना करना पड़ा: वास्तविक दुनिया का डेटा जिसमें टायर बलों का सटीक माप शामिल हो, अत्यंत दुर्लभ और एकत्र करना खतरनाक है, विशेष रूप से ताजी बर्फ या बर्फ जैसी फिसलन भरी सतहों पर। परीक्षण ट्रैक पर दुर्घटना का जोखिम उठाने के बजाय, शोधकर्ता ने एक अत्यधिक विस्तृत आभासी दुनिया बनाई। उन्होंने एक कंप्यूटर सिमुलेशन का उपयोग किया जो एक वास्तविक इलेक्ट्रिक कार के भौतिकी की नकल करता है, जिसमें तनाव के तहत टायरों के व्यवहार का एक गणितीय मॉडल भी शामिल है। उन्होंने पांच अलग-अलग सड़क स्थितियों (सूखी डामर से लेकर बर्फ तक) में, स्थिर ड्राइविंग से लेकर आपातकालीन ब्रेकिंग तक, हजारों आभासी ड्राइविंग परिदृश्यों को चलाया। दृश्य भाग को यथार्थवादी बनाने के लिए, उन्होंने सड़कों की नकली छवियां बनाने की कोशिश नहीं की। इसके बजाय, उन्होंने एक कैमरा सिस्टम के आउटपुट का अनुकरण किया जिसे वास्तविक सड़क छवियों के एक बड़े सार्वजनिक डेटासेट पर प्रशिक्षित किया गया था, जिससे कंप्यूटर वास्तविक दुनिया के कैमरे की तरह अनिश्चितता और सटीकता के साथ सड़क को "देख" सके। इस हाइब्रिड दृष्टिकोण ने उन्हें 9,000 लेबल किए गए उदाहरणों का एक विशाल डेटासेट दिया, जिसमें सेंसर रीडिंग और सड़क के दृश्यों को सिमुलेशन में हो रहे सटीक ग्राउंड-ट्रुथ बलों के साथ जोड़ा गया।

उनके समाधान का मुख्य आधार एक हल्का कंप्यूटर प्रोग्राम, या न्यूरल नेटवर्क है, जिसे कार के मौजूदा ऑनबोर्ड कंप्यूटर पर बिना उसे धीमा किए चलने के लिए पर्याप्त छोटा बनाया गया है। इस सिस्टम के दो मुख्य भाग हैं। एक भाग कार के सेंसरों को देखता है, और वाहन के वर्तमान संचलन को समझने के लिए समय के एक छोटे अंतराल का विश्लेषण करता है। दूसरा भाग कैमरे द्वारा प्रदान किए गए सड़क वर्गीकरण को देखता है, जो सिस्टम को बताता है कि वह सूखी सड़क, गीली बजरी या बर्फ पर चल रहा है। इन दो सूचना धाराओं को एक चतुर और कुशल तरीके से एक साथ लाया जाता है, जो दृश्य सूचना को सेंसर डेटा की व्याख्या करने के तरीके को समायोजित करने की अनुमति देता है। महत्वपूर्ण रूप से, सिस्टम को भौतिकी पर आधारित एक नियम पुस्तिका के साथ प्रशिक्षित किया गया है। यदि यह भविष्यवाणी करता है कि टायर सड़क की सतह द्वारा अनुमत सीमा से अधिक पकड़ बनाएगा, तो इसे दंडित किया जाता है। यह सुनिश्चित करता है कि भले ही डेटा शोर भरा (noisy) हो या स्थिति अपरिचित हो, सिस्टम की भविष्यवाणियां भौतिक रूप से संभव और सुरक्षित बनी रहें।

सिमुलेशन के परिणामों ने दिखाया कि यह संयुक्त दृष्टिकोण केवल एक प्रकार की जानकारी पर निर्भर रहने की तुलना में काफी बेहतर काम करता है। गीली डामर, बर्फ और स्नो जैसी फिसलन भरी सतहों पर, नए सिस्टम ने केवल कार के सेंसरों को देखने वाले या बिना भौतिकी के नियमों के डेटा को जोड़ने वाले सिस्टम की तुलना में बल की भविष्यवाणियों में 22 से 42 प्रतिशत तक त्रुटि कम कर दी। शायद सबसे महत्वपूर्ण बात यह है कि सिस्टम ने खतरनाक गलतियां कम कीं। इसने अन्य तरीकों की तुलना में टायर की पकड़ की भौतिक सीमाओं का उल्लंघन बहुत कम बार किया, जो उन सुरक्षा प्रणालियों के लिए महत्वपूर्ण है जिन्हें यह जानने की आवश्यकता होती है कि टायर कब ट्रैक्शन खोने वाला है। सिस्टम बहुत स्थिर भी साबित हुआ, जिसने उन सड़क स्थितियों पर भी सुसंगत परिणाम दिए जिन्हें उसने पहले कभी नहीं देखा था, जैसे कि ताजी बर्फ, जो यह दर्शाता है कि यह वास्तविक दुनिया में अच्छी तरह से सामान्यीकरण (generalize) कर सकता है। पूरी प्रक्रिया अविश्वसनीय रूप से तेज है, जो एक भविष्यवाणी करने में एक मिलीसेकंड से भी कम समय लेती है, जिसका अर्थ है कि यह आधुनिक वाहन सुरक्षा नियंत्रणों के लिए आवश्यक तीव्र निर्णयों के साथ तालमेल बिठा सकती है।

यह कार्य प्रदर्शित करता है कि डेटा-संचालित शिक्षण में भौतिक समझ की एक परत जोड़ने से वाहन सुरक्षा के लिए अधिक मजबूत और विश्वसनीय उपकरण का निर्माण होता है। कंप्यूटर को घर्षण और लोड ट्रांसफर के नियमों का सम्मान करना सिखाकर, शोधकर्ता ने एक ऐसा सिस्टम बनाया है जो न केवल सटीक है बल्कि भरोसेमंद भी है। अध्ययन बताता है कि भविष्य में, इलेक्ट्रिक वाहन अपनी स्थिरता और ट्रैक्शन को अधिक प्रभावी ढंग से प्रबंधित करने के लिए इस तरह के हल्के, भौतिकी-जागरूक सिस्टम का उपयोग कर सकते हैं, विशेष रूप से खतरनाक मौसम की स्थितियों में जहाँ मानवीय प्रतिक्रिया समय पर्याप्त नहीं होता है। हालांकि परिणाम एक सिमुलेशन में प्राप्त किए गए थे, लेकिन यह विधि सुरक्षित, अधिक बुद्धिमान कारों के निर्माण के लिए एक स्पष्ट और व्यावहारिक मार्ग प्रदान करती है जो अपनी गति के साथ-साथ सड़क को भी समझते हैं।