Opponent State Inference Under Partial Observability: An HMM-POMDP Framework for 2026 Formula 1 Energy Strategy

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat Formule 1 in 2026 niet meer alleen een race is van wie het snelste voertuig heeft, maar een enorm ingewikkeld spel van vermomming en bluffen, zoals een potje poker waarbij je niet alleen naar je eigen kaarten kijkt, maar ook probeert te raden wat je tegenstander in zijn mouw verstopt.

Dit artikel, geschreven door Kalliopi Kleisarchaki, beschrijft een slim computerprogramma dat probeert precies dat te doen: de verborgen gedachten en batterij-status van je tegenstander raden, zodat je de juiste beslissingen neemt.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Nieuwe Spel: De Batterij als Geheime Wapen

In de oude Formule 1 was energie een beetje saai; je had een tank benzine en dat was het. Maar in 2026 is de auto half benzine, half elektrisch. De batterij is nu je belangrijkste wapen.

Het probleem: Je ziet hoe snel je tegenstander rijdt, maar je ziet niet hoeveel energie hij nog in zijn batterij heeft. Is hij aan het sparen? Is hij op? Of is hij aan het bluffen?
De oplossing: De schrijver heeft een systeem gebouwd dat werkt als een detective. Deze detective kijkt naar kleine aanwijzingen (zoals de snelheid op de rechte stukken en wanneer de remmen worden gebruikt) om te raden wat er in de "geheime koffer" van de tegenstander zit.

2. De Twee Laagjes van het Systeem

Het systeem bestaat uit twee delen die samenwerken, net als een verkenner en een strateeg:

Laag 1: De Verkenner (De HMM)
Dit is de "oog" van het systeem. Hij kijkt naar de tegenstander en probeert een gok te doen over zijn staat.
- De grote ontdekking in deze versie: Vroeger dachten ze dat "weinig energie" altijd hetzelfde betekende. Nu weten we dat er twee soorten "weinig energie" zijn:
  1. De Bluffer (Lharvest): De tegenstander rijdt langzaam, maar hij doet dit opzettelijk. Hij spaart energie om later een verrassingsaanval te doen. Hij is aan het wachten, net als een jager die stil in het gras ligt.
  2. De Uitgeputte (Lderate): De tegenstander wil hard rijden, maar zijn batterij is echt leeg. Hij kan niet anders dan langzaam gaan, net als een renner die zijn benen niet meer kan bewegen.
- Het slimme deel is dat het systeem nu precies kan zien: "Ah, die rijdt langzaam omdat hij bluft (gevaarlijk!)" of "Die rijdt langzaam omdat hij op is (aanval nu!)."
Laag 2: De Strateeg (De DQN)
Dit is de "hersenen" die de beslissing neemt. Hij kijkt naar wat de verkenner heeft gevonden.
- Als de verkenner zegt: "Die tegenstander is uitgeput," zegt de strateeg: "Goed, ik gebruik al mijn energie om voorbij te gaan!"
- Als de verkenner zegt: "Die tegenstander is aan het bluffen," zegt de strateeg: "Nee, niet doen! Hij heeft nog veel energie en zal je straks inhaalen. Ik spaar mijn energie."

3. De "Valstrik" (De Counter-Harvest Trap)

Dit is het meest spannende deel van het artikel. Stel je voor dat je tegenstander een valstrik legt.

Hij doet alsof hij uitgeput is (hij rijdt langzaam, maar gebruikt zijn speciale vleugels om toch snel te blijven).
Jij denkt: "Haha, hij is zwak! Ik ga alles geven om voorbij te gaan."
Maar zodra jij je energie opmaakt, schakelt hij plotseling op volle kracht en haalt hij je in. Hij had de energie namelijk gewoon opgespaard!
Het systeem in dit artikel is speciaal ontworpen om deze valstrik te doorzien. Het kijkt naar een heel specifiek teken: hoe de bestuurder het gaspedaal gebruikt. Als hij gas geeft maar toch langzaam blijft, is het een valstrik. Als hij gas geeft en de auto trilt van de kracht, is hij echt leeg.

4. Waarom is dit belangrijk?

Vroeger konden teams alleen kijken naar hun eigen auto. Nu is het een spel van onvolledige informatie.

Zonder dit systeem zou een team blindelings in de valstrik lopen.
Met dit systeem hebben ze een "röntgenblik" op de tegenstander. Ze kunnen zien of de tegenstander een leeg batterijtje heeft of een volle, verborgen voorraad.

Samenvattend

Dit artikel is een blauwdruk voor een slimme race-assistent voor 2026. Het leert computers om niet alleen te kijken naar de snelheid van de auto's, maar om de intenties van de tegenstander te raden. Het onderscheidt tussen "ik ben aan het bluffen" en "ik ben echt op", zodat je niet in een valstrik loopt.

Het is alsof je in een duel zit en je kunt zien of je tegenstander zijn zwaard echt heeft getrokken of dat hij alleen maar doet alsof om jou bang te maken. Dat verschil kan de winnaar van de race bepalen.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het paper "Opponent State Inference Under Partial Observability: An HMM–POMDP Framework for 2026 Formula 1 Energy Strategy" in het Nederlands.

Titel en Context

Titel: Opponent State Inference Under Partial Observability: An HMM–POMDP Framework for 2026 Formula 1 Energy Strategy
Auteur: Kalliopi Kleisarchaki (Onafhankelijk Onderzoeker)
Datum: Versie 2 (9 maart 2026), gepubliceerd op arXiv.
Kernonderwerp: Een raamwerk voor het afleiden van de verborgen toestand van rivalen in de Formule 1 van 2026, gebaseerd op de nieuwe technische reglementen.

1. Het Probleem: Deelwaarnembaarheid en Strategische Complexiteit

De technische reglementen voor 2026 introduceren fundamentele veranderingen die energiebeheer tot een kritieke, strategische variabele maken:

50/50 Krachtopdeling: Een gelijke verdeling tussen de verbrandingsmotor (ICE) en de MGU-K-batterij. De batterij staat onder permanente vraag, waardoor het laadniveau (ERS) een eerste-orde strategische variabele wordt in elk sector.
Override Mode: Vervangt DRS. Een nabijheidsgeactiveerde energiebeloning (0,5 MJ extra) voor de volgende ronde als je binnen 1 seconde van de leider bent.
Active Aero: Vervangt DRS volledig. Een bestuurder-gestuurde aerodynamische modus (bocht vs. rechte lijn) die ook tijdens het "harvesten" (energie opwekken) kan worden gebruikt.

Het Kernprobleem:
De optimale beslissing om energie te verbruiken ("burn") of op te wekken ("harvest") hangt nu niet alleen af van de eigen auto, maar van de verborgen toestand van de concurrenten. Dit creëert een Partially Observable Stochastic Game (POSG). Een specifieke bedreiging is de "Counter-Harvest Trap": een rivaliserende auto doet alsof ze energie opwekt (door throttle te managen en Active Aero te gebruiken), terwijl ze in werkelijkheid een verborgen energie-reserve opbouwt om een aanval later te pareren. Zonder inzicht in de verborgen toestand kan een team hierin trappen.

2. Methodologie: Een Tweelaags HMM-POMDP Raamwerk

De auteur presenteert een schaalbaar raamwerk bestaande uit twee lagen:

Laag 1: Hidden Markov Model (HMM) voor Toestandsinferentie

Het doel is de kansverdeling over de verborgen toestand van een rivaliserende auto te schatten op basis van zes waarneembare telemetrie-signalen.

Verborgen Toestand (40 staten):
- ERS-niveau (4 modi): H (High), M (Medium), Lharvest (bewuste conservatie/trap), Lderate (fysieke limiet/leeg).
- Override Mode status: Beschikbaar of verbruikt.
- Bandendegradatie: 5 niveaus (nieuw tot "cliff").
- Architectonische doorbraak: De splitsing van de lage ERS-status in Lharvest (valstrik) en Lderate (echte zwakte) is de centrale verbetering van versie 2.
Observaties (6 variabelen):
1. $\Delta v_{trap}$ : Snelheid op de snelheidsval t.o.v. de basislijn.
2. $\Delta t_{sector}$ : Sectortijd t.o.v. de basislijn.
3. $\Delta b_{brake}$ : Remafstand t.o.v. de basislijn.
4. $\sigma^2_{speed}$ : Variantie in snelheid binnen een sector.
5. $z_{aero}$ : Actieve Aero status (0 of 1).
6. $\delta_{throttle}$ (Nieuw in v1.5/v2): Het fractie van de rechte lijn waar de gasklep $\ge$ 98% is, maar de snelheid onder de 5-ronden-basislijn ligt. Dit is de cruciale discriminator tussen Lharvest (lage gasklep, bewuste keuze) en Lderate (hoge gasklep, fysieke limiet).
Algoritme: Baum-Welch (Expectation-Maximization) wordt gebruikt voor kalibratie op echte race-data (beginnend met de Grand Prix van Australië).

Laag 2: Deep Q-Network (DQN) voor Besluitvorming

Input: De "belief state" (kansenverdeling) van de HMM, in plaats van ruwe observaties.
Acties: "Burn" (energie verbruiken) of "Harvest" (energie opwekken).
Architectuur: Een ondiep netwerk (3 lagen) dat de hoge dimensie van de HMM-belief (40 staten) verwerkt om de optimale strategie te kiezen.

3. Belangrijkste Bijdragen

Formalisatie van het Probleem: Modellering van 2026 F1-energiemanagement als een POSG en een tractabele POMDP-benadering voor de enkelvoudige agent.
De "Counter-Harvest Trap" Karakterisering: Definitie van een misleidende strategie waarbij een auto Active Aero gebruikt tijdens het opwekken van energie om een rivalen aan te zetten tot een onnodige energieverbruik.
Architectonische Innovatie (Lharvest vs. Lderate):
- In eerdere versies (v1/v1.5) werden deze staten gemengd behandeld.
- In v2 zijn ze gescheiden staten. Dit elimineert ambiguïteit: Lharvest betekent een valstrik (gevaar), Lderate betekent fysieke uitputting (kans voor aanval).
- De toevoeging van $\delta_{throttle}$ als zesde observabele maakt deze scheiding mogelijk.
Dynamische Kalibratie: Een tweefasen trainingsproces waarbij de HMM wordt gekalibreerd met Baum-Welch na elke race, waarna de DQN opnieuw wordt getraind op synthetische data gegenereerd door de bijgewerkte HMM.

4. Resultaten (Synthetische Validatie)

De resultaten zijn gebaseerd op 20 gesimuleerde races onder het 40-staten model:

ERS-niveau nauwkeurigheid: 96,8% (tegenover een willekeurige baseline van 25%).
Scheiding Lharvest vs. Lderate: 89,4% nauwkeurigheid (willekeurige baseline 50%). Dit bevestigt dat $\delta_{throttle}$ een krachtige discriminator is.
Detectie van de Counter-Harvest Trap: 96,3% recall (met slechts 3,7% gemiste gevallen).
Vergelijking met Baselines: Het systeem presteert aanzienlijk beter dan drempelwaardes gebaseerd op alleen observaties (zoals $\Delta v_{trap}$ ), die de valstrik niet kunnen onderscheiden van echte zwakte.
Kalibratie: De Expected Calibration Error (ECE) is 0,006 op synthetische data, wat wijst op goede betrouwbaarheid, hoewel dit een ondergrens is voor echte data.

5. Betekenis en Toekomstperspectief

Praktische Toepassing: Dit raamwerk biedt teams een wiskundig onderbouwd middel om de "verborgen" strategieën van rivalen te doorgronden, wat essentieel is onder de nieuwe 2026-regels.
Beperkingen: Het huidige model veronderstelt dat rivalen statische processen zijn (ze passen hun strategie niet aan op basis van waarneming). Dit is een vereenvoudiging.
Toekomstig Werk: De auteur verwijst naar een volgende studie (Kleisarchaki [2026b]) die dit probleem behandelt als een volledig game-theoretisch probleem waarbij rivalen wel op de waarneming reageren (een "Keynesian beauty contest" over gezamenlijke overtuigingen).
Validatie: De modelparameters worden empirisch gevalideerd met data vanaf de Grand Prix van Australië (8 maart 2026). De resultaten van de eerste race zullen worden gebruikt voor de definitieve kalibratie.

Conclusie:
Dit paper levert een cruciale technische stap voorwaarts in de data-gedreven F1-strategie. Door de complexe interactie tussen Active Aero, ERS-beheer en rivalen-inferentie te modelleren via een gesplitste 40-staten HMM, biedt het teams de mogelijkheid om valstrikken te herkennen en kansen te grijpen die voorheen onzichtbaar waren.