Excitation-Aware On-Track System Identification at Full Scale

Le auto da corsa autonome non sono solo veloci; esse stanno costantemente tirando a indovinare. Per guidare al limite, un computer deve sapere esattamente quanta aderenza hanno i suoi pneumatici sulla strada in ogni dato momento. Questa aderenza cambia con la velocità, la temperatura e le condizioni dell'asfalto, rendendola l'informazione più critica ed elusiva per il cervello del veicolo. Tradizionalmente, gli ingegneri fermavano un'auto da corsa, la facevano percorrere cerchi lenti su una pista di prova e misuravano gli pneumatici per costruire un modello matematico. Ma in una vera gara, non c'è tempo per una pista di prova. L'auto deve imparare a conoscere gli pneumatici mentre sta correndo, usando i dati di un giro normale per capire come si comporta la gomma. Questo processo è chiamato identificazione del sistema in pista (on-track system identification). È un gioco di inferenza ad alta posta in gioco: l'auto deve dedurre le proprietà invisibili dei suoi pneumatici dai movimenti visibili del suo telaio, il tutto mentre si muove ad alta velocità.

Uno studio recente condotto da ricercatori dell'Università Ain Shams e dell'Università Americana del Medio Oriente ha investigato un metodo specifico per insegnare a un'auto da corsa a grandezza naturale di apprendere i propri pneumatici durante la guida. Hanno preso un sistema che aveva funzionato bene su un piccolo modello in scala un decimo e hanno cercato di trapiantarlo direttamente su un veicolo Formula Student a grandezza naturale. L'aspettativa era che il metodo scalasse fluidamente. Inveve, i ricercatori hanno scoperto che il sistema stava fallendo in un modo sottile ma pericoloso. Quando trasferito sull'auto a grandezza naturale, la pipeline di identificazione produceva un modello che appariva corretto sulla carta, ma era fisicamente impossibile, portando l'auto a credere di avere molta più aderenza di quella che possedeva realmente. Lo studio, condotto interamente all'interno di una simulazione al computer ad alta fedeltà, ha rivelato che il fallimento non era dovuto a una cattiva matematica o a sensori rumorosi, ma a un difetto fondamentale nel modo in cui il sistema generava i propri dati di test.

Il cuore del problema risiedeva in una fase in cui il sistema creava una prova di guida "virtuale" per analizzare gli pneumatici. Nella configurazione originale in scala ridotta, questa guida virtuale era sufficiente a rivelare i limiti dello pneumatico. Tuttavia, sull'auto a grandezza naturale, la velocità e gli angoli di sterzata utilizzati in questa simulazione virtuale erano troppo bassi per spingere mai gli pneumatici al loro punto di rottura. Poiché la prova virtuale non chiedeva mai agli pneumatici di lavorare duramente, il sistema non poteva vedere dove finiva l'aderenza. Era come cercare di indovinare il limite di carico di un ponte guidandoci sopra una bicicletta; il ponte non mostrerebbe mai segni di stress, quindi chi fa la stima non saprebbe mai quanto peso possa effettivamente sostenere. Di conseguenza, il computer colmava l'informazione mancante tirando a indovinare, e indovinava un valore che raggiungeva il limite massimo consentito dalla sua programmazione. Il sistema riportava che gli pneumatici potevano gestire quasi quattro volte la forza di cui erano effettivamente capaci. Quando la vera auto cercava di guidare alle velocità che il computer ritenevava sicure, semplicemente perdeva aderenza e usciva dalla pista.

I ricercatori hanno attribuito questo fallimento a un concetto noto come "eccitazione". Affinché un sistema possa apprendere una proprietà, deve essere eccitato o stimolato abbastanza da rivelare tale proprietà. Nel contesto dell'identificazione dello pneumatico, l'auto deve essere guidata con forza sufficiente per sentire il bordo della sua aderenza. La guida virtuale utilizzata dal sistema originale era troppo dolce per un veicolo a grandezza naturale. I ricercatori hanno calcolato che la guida virtuale era capace di richiedere solo una frazione della frizione che lo pneumatico poteva effettivamente fornire. Poiché i dati non raggiungevano mai il picco delle prestazioni dello pneumatico, il modello matematico non poteva distinguere tra uno pneumatico con bassa aderenza e uno con alta aderenza. Si limitava a stabilirsi sul valore più alto possibile consentito dai suoi limiti di sicurezza, creando un falso senso di sicurezza.

Per risolvere il problema, il team ha riprogettato la pipeline di identificazione affinché fosse "consapevole dell'eccitazione" (excitation-aware). Hanno modificato il sistema in modo che la guida di prova virtuale regolasse automaticamente la velocità e l'intensità dello sterzo in base alla velocità con cui l'auto stava effettivamente percorrendo la pista reale. Se l'auto si muoveva velocemente, la prova virtuale diventava più aggressiva, assicurando di richiedere abbastanza forza da rivelare i veri limiti degli pneumatici. Hanno anche introdotto un nuovo controllo di sicurezza. Invece di guardare solo i numeri grezzi prodotti dal computer, hanno verificato se il modello risultante avesse senso fisico. Hanno verificato che il tetto di aderenza calcolato non fosse superiore a quello che la strada avrebbe potuto effettivamente sostenere e che il comportamento di sterzata dell'auto rimanesse stabile. Se il modello falliva questi controlli fisici, il sistema lo rifiutava e continuava a utilizzare il modello precedente, noto come sicuro, invece di implementare un nuovo modello pericoloso.

I risultati di queste modifiche sono stati drammatici nella simulazione. Su una superficie statica dove l'aderenza era costante, il sistema corretto ha appreso la rigidezza dello pneumatico con un errore inferiore al 3,2 percento, mentre il vecchio sistema era errato di oltre il 100 percento. Più importante ancora, il team ha testato il sistema su una superficie in cui l'aderenza stava lentamente svanendo, simulando una pista che stava diventando bagnata o usurata. Il vecchio sistema, bloccato sulla sua stima di alta aderenza, non riusciva a notare la perdita di trazione. Continuava a guidare a velocità che non erano più sicure, causando lo slittamento dell'auto fuori dalla pista durante il secondo giro. Il sistema corretto, invece, ha rilevato la perdita di aderenza. Ha capito che gli pneumatici stavano perdendo la loro presa e il controllore ha ricalibrato il profilo di velocità di riferimento contro i nuovi limiti inferiori. Ciò ha permesso al veicolo di completare tre giri completi con lo stesso livello di precisione di prima, semplicemente adattando la velocità alle condizioni mutevoli.

Lo studio evidenzia una lezione critica per i veicoli autonomi: un modello che si adatta perfettamente ai dati non è necessariamente un modello che comprende la fisica. I ricercatori hanno scoperto che non basta controllare se un numero rientra in un intervallo sicuro; il sistema deve anche garantire che i dati utilizzati per l'apprendimento fossero effettivamente capaci di testare quei limiti. Obbligando il sistema a porre le domande giuste agli pneumatici — domande abbastanza difficili da rivelare la verità — sono stati in grado di impedire all'auto di fidarsi di una menzogna. Sebbene questi risultati siano stati ottenuti in una simulazione, la logica della soluzione si basa su leggi fisiche che si applicano alle auto reali. I ricercatori concludono che, affinché le corse autonome siano sicure ed efficaci, l'auto deve essere progettata per cercare attivamente i limiti delle proprie capacità, piuttosto che assumere che tali limiti siano ciò che il computer dice che siano.