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

Ogni auto elettrica oggi trasporta una tensione silenziosa e invisibile tra la strada e i suoi pneumatici. Quando un conducente preme l'acceleratore o gira il volante, gli pneumatici devono fare presa sull'asfalto per tradurre quel comando in movimento. Se la strada è asciutta e liscia, questa presa è forte e prevedibile. Ma quando la superficie cambia in asfalto bagnato, ghiaia sciolta o una chiazza di ghiaccio, la presa disponibile cambia istantaneamente e in modo imprevedibile. Affinché i sistemi di sicurezza dell'auto possano funzionare, devono sapere esattamente quanta forza sta utilizzando ciascuno pneumatico in questo momento e quanta ne può sopportare ancora prima di slittare. Questa conoscenza è la differenza tra una frenata controllata e una sbandata. La sfida è che gli pneumatici sono nascosti sotto il veicolo e le forze che generano non possono essere misurate direttamente senza sensori costosi e fragili che non si trovano nelle auto di produzione. Invece, gli ingegneri devono stimare queste forze osservando il movimento della carrozzeria dell'auto e guardando la strada davanti a sé, cercando di comporre un quadro completo partendo da indizi incompleti.

Un ricercatore ha sviluppato un nuovo modo per risolvere questo enigma, insegnando a un computer a pensare come un fisico pur guardando la strada come un conducente. Lo studio, condotto da Timileyin Akande presso l'Università Tecnica Abiola Ajimobi, si concentra sulla creazione di un sistema in grado di prevedere le forze esatte che agiscono su ciascuna delle quattro ruote di un veicolo elettrico in tempo reale. Il ricercatore ha combinato due tipi diversi di informazioni: un flusso di dati dai sensori dell'auto stessa, che tracciano velocità, angolo di sterzata e accelerazione, e un flusso di informazioni visive da una telecamera rivolta in avanti che identifica il tipo di superficie stradale antistante. Fondendo questi due flussi, il sistema può anticipare i cambiamenti di aderenza prima ancora che l'auto li avverta. L'obiettivo non era solo indovinare le forze, ma farlo in un modo che rispetti le leggi fondamentali della fisica, garantendo che le previsioni non suggeriscano mai che uno pneumatico stia sostenendo più aderenza di quanto sia fisicamente possibile.

Per costruire e testare questo sistema, il ricercatore ha affrontato un ostacolo significativo: i dati del mondo reale che includono misurazioni precise delle forze degli pneumatici sono incredibilmente rari e pericolosi da raccogliere, specialmente su superfici scivolose come neve fresca o ghiaccio. Invece di rischiare un incidente su una pista di prova, il ricercatore ha creato un mondo virtuale altamente dettagliato. Ha utilizzato una simulazione al computer che imita la fisica di una vera auto elettrica, completa di un modello matematico di come si comportano gli pneumatici sotto sforzo. Ha eseguito migliaia di scenari di guida virtuali, che spaziavano dal crociera costante alla frenata d'emergenza, attraverso cinque diverse condizioni stradali, dall'asfalto asciutto al ghiaccio. Per rendere realistica la parte visiva del sistema, non ha cercato di generare immagini false delle strade. Invece, ha simulato l'output di un sistema di telecamera che era stato addestrato su un ampio dataset pubblico di immagini stradali reali, permettendo al computer di "vedere" la strada con lo stesso livello di incertezza e precisione di una vera telecamera. Questo approccio ibrido ha fornito un enorme dataset di 9.000 esempi etichettati, accoppiando le letture dei sensori e le vedute stradali con le esatte forze di verità fondamentale (ground-truth) che stavano avvenendo nella simulazione.

Il cuore della loro soluzione è un programma informatico leggero, o rete neurale, progettato per essere abbastanza piccolo da essere eseguito sul computer di bordo esistente dell'auto senza rallentarlo. Il sistema ha due parti principali. Una parte osserva i sensori dell'auto, analizzando una breve finestra temporale per comprendere come il veicolo si stia muovendo attualmente. L'altra parte osserva la classificazione stradale fornita dalla telecamera, dicendo al sistema se sta guidando su asfalto asciutto, ghiaia bagnata o ghiaccio. Questi due flussi di informazioni vengono uniti utilizzando un metodo intelligente ed efficiente che permette alle informazioni visive di regolare il modo in cui i dati dei sensori vengono interpretati. Fondamentalmente, il sistema è addestrato con un libro delle regole basato sulla fisica. Viene penalizzato se prevede una forza che causerebbe lo slittamento dello pneumatico oltre quanto consentito dalla superficie stradale. Ciò assicura che, anche se i dati sono rumorosi o la situazione è insolita, le previsioni del sistema rimangano fisicamente possibili e sicure.

I risultati della simulazione hanno mostrato che questo approccio combinato funziona significativamente meglio rispetto al semplice affidarsi a un solo tipo di informazione. Su superfici scivolose come asfalto bagnato, neve e ghiaccio, il nuovo sistema ha ridotto l'errore nelle sue previsioni di forza tra il 22 e il 42 percento rispetto ai sistemi che guardavano solo i sensori dell'auto o che combinavano semplicemente i dati senza le regole della fisica. Forse la cosa più importante è che il sistema ha commesso meno errori pericolosi. Ha violato i limiti fisici dell'aderenza degli pneumatici molto meno spesso rispetto ad altri metodi, il che è critico per i sistemi di sicurezza che devono sapere esattamente quando uno pneumatico sta per perdere trazione. Il sistema si è dimostrato anche molto stabile, producendo risultati coerenti anche quando testato su condizioni stradali che non aveva mai visto prima, come la neve fresca, il che suggerisce che possa generalizzare bene nella guida del mondo reale. L'intero processo è incredibilmente veloce, impiegando meno di un millisecondo per fare una previsione, il che significa che può stare al passo con le rapide decisioni richieste dai moderni controlli di sicurezza del veicolo.

Questo lavoro dimostra che aggiungere uno strato di comprensione fisica all'apprendimento basato sui dati crea uno strumento più robusto e affidabile per la sicurezza dei veicoli. Insegnando al computer a rispettare le leggi dell'attrito e del trasferimento del carico, il ricercatore ha creato un sistema che non è solo accurato, ma anche affidabile. Lo studio suggerisce che, in futuro, i veicoli elettrici potrebbero utilizzare questo tipo di sistema leggero e consapevole della fisica per gestire la stabilità e la trazione in modo più efficace, specialmente in condizioni meteorologiche pericolose dove i tempi di reazione umani non sono sufficienti. Sebbene i risultati siano stati ottenuti in una simulazione, il metodo fornisce una via chiara e pratica per costruire auto più sicure e intelligenti che comprendano la strada tanto quanto comprendono il proprio movimento.