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

Elke elektrische auto draagt vandaag de dag een stille, onzichtbare spanning tussen de weg en de banden met zich mee. Wanneer een bestuurder het gaspedaal indrukt of het stuur draait, moeten de banden het wegdek grijpen om die opdracht om te zetten in beweging. Als de weg droog en glad is, is deze grip sterk en voorspelbaar. Maar wanneer het oppervlak verandert in nat asfalt, los grind of een stuk ijs, verandert de beschikbare grip direct en onvoorspelbaar. Voor de veiligheidssystemen van de auto is het essentieel om precies te weten hoeveel kracht elke band momenteel gebruikt en hoeveel meer deze kan weerstaan voordat hij slipt. Deze kennis is het verschil tussen een gecontroleerde stop en een uitschieten. De uitdaging is dat de banden onder het voertuig verborgen zijn en dat de krachten die zij genereren niet direct gemeten kunnen worden zonder dure, kwetsbare sensoren die niet in productieauto's te vinden zijn. In plaats daarvan moeten ingenieurs deze krachten inschatten door te kijken naar de beweging van de carrosserie en door naar de weg voor hen te kijken, waarbij ze proberen een compleet beeld te vormen uit onvolledige aanwijzingen.

Een onderzoeker heeft een nieuwe manier ontwikkeld om dit puzzelstuk op te lossen door een computer te leren denken als een natuurkundige terwijl hij naar de weg kijkt als een bestuurder. De studie, uitgevoerd door Timileyin Akande aan de Abiola Ajimobi Technical University, richt zich op het creëren van een systeem dat de exacte krachten die op elk van de vier wielen van een elektrisch voertuig inwerken, in realtime kan voorspellen. De onderzoeker combineerde twee verschillende soorten informatie: een stroom gegevens van de eigen sensoren van de auto, die snelheid, stuurhoek en acceleratie volgen, en een stroom visuele informatie van een voorwaartse camera die het type wegdek voor de auto identificeert. Door deze twee stromen te versmelten, kan het systeem veranderingen in grip anticiperen voordat de auto ze zelfs maar voelt. Het doel was niet alleen om de krachten te raden, maar om dit te doen op een manier die de fundamentele wetten van de natuurkunde respecteert, zodat de voorspellingen nooit suggereren dat een band meer grip kan vasthouden dan fysiek mogelijk is.

Om dit systeem te bouwen en te testen, kreeg de onderzoeker te maken met een aanzienlijke hindernis: echte wereldgegevens die nauwkeurige metingen van tirekrachten bevatten, zijn uiterst zeldzaam en gevaarlijk om te verzamelen, vooral op gladde oppervlakken zoals verse sneeuw of ijs. In plaats van een crash te riskeren op een testcircuit, creëerde de onderzoeker een zeer gedetailleerde virtuele wereld. Er werd een computersimulatie gebruikt die de fysica van een echte elektrische auto nabootst, inclusief een wiskundig model van hoe banden zich onder spanning gedragen. Er werden duizenden virtuele rijscenario's gedraaid, variërend van constante kruisvluchten tot noodstops, over vijf verschillende wegomstandigheden, van droog asfalt tot ijs. Om het visuele deel van het systeem realistisch te maken, probeerden ze geen neppe afbeeldingen van wegen te genereren. In plaats daarvan simuleerden ze de output van een camerasysteem dat getraind was op een grote publieke dataset van echte wegbeelden, waardoor de computer de weg kon "zien" met hetzelfde niveau van onzekerheid en nauwkeurigheid als een echte camera. Deze hybride aanpak leverde hen een enorme dataset op van 9.000 gelabelde voorbeelden, waarbij sensorwaarden en wegbeelden werden gekoppeld aan de exacte grondwaarheid van de krachten die in de simulatie plaatsvonden.

De kern van hun oplossing is een lichtgewicht computerprogramma, of neuraal netwerk, dat klein genoeg is ontworpen om op de bestaande onboard computer van de auto te draaien zonder deze te vertragen. Het systeem bestaat uit twee hoofdonderdelen. Eén deel kijkt naar de sensoren van de auto en analyseert een kort tijdsvenster om te begrijpen hoe het voertuig momenteel beweegt. Het andere deel kijkt naar de wegclassificatie die door de camera wordt geleverd, wat het systeem vertelt of het over droog wegdek, nat grind of ijs rijdt. Deze twee informatiestromen worden samengebracht met een slimme, efficiënte methode die ervoor zorgt dat de visuele informatie de interpretatie van de sensordata aanpast. Cruciaal is dat het systeem getraind is met een ingebouwd regelboek gebaseerd op de natuurkunde. Het krijgt een straf als het een kracht voorspelt die zou veroorzaken dat de band meer slipt dan het wegdek toelaat. Dit zorgt ervoor dat zelfs als de data ruis bevat of de situatie onbekend is, de voorspellingen van het systeem fysiek mogelijk en veilig blijven.

De resultaten van de simulatie toonden aan dat deze gecombineerde aanpak aanzienlijk beter werkt dan het vertrouwen op slechts één type informatie. Op gladde oppervlakken zoals nat asfalt, sneeuw en ijs verminderde het nieuwe systeem de fout in de krachtvoorspellingen met 22 tot 42 procent vergeleken met systemen die alleen naar de sensoren van de auto keken of simpelweg de gegevens combineerden zonder de natuurkundige regels. Misschien wel het belangrijkste is dat het systeem minder gevaarlijke fouten maakte. Het overtrad de fysieke limieten van de bandengrip veel minder vaak dan andere methoden, wat cruciaal is voor veiligheidssystemen die precies moeten weten wanneer een band grip dreigt te verliezen. Het systeem bleek ook zeer stabiel te zijn en produceerde consistente resultaten, zelfs wanneer het werd getest op wegomstandigheden die het nog nooit eerder had gezien, zoals verse sneeuw, wat suggereert dat het goed kan generaliseren naar de echte wereld. Het hele proces is ongelooflijk snel; het duurt minder dan één milliseconde om een voorspelling te doen, wat betekent dat het het tempo kan bijhouden van de snelle beslissingen die vereist zijn voor moderne voertuigveiligheidscontroles.

Dit werk demonstreert dat het toevoegen van een laag van fysiek begrip aan datagestuurd leren een robuustere en betrouwbaardere tool creëert voor voertuigveiligheid. Door de computer te leren de wetten van wrijving en lastoverdracht te respecteren, heeft de onderzoeker een systeem gecreëerd dat niet alleen accuraat maar ook betrouwbaar is. De studie suggereert dat elektrische voertuigen in de toekomst een dergelijk lichtgewicht, natuurkundig bewust systeem kunnen gebruiken om hun stabiliteit en tractie effectiever te beheren, vooral in gevaarlijke weersomstandigheden waar menselijke reactietijden niet voldoende zijn. Hoewel de resultaten in een simulatie zijn behaald, biedt de methode een duidelijk en praktisch pad voor het bouwen van veiligere, intelligentere auto's die de weg begrijpen even goed als hun eigen beweging.