Excitation-Aware On-Track System Identification at Full Scale

Autonome racewagens zijn niet alleen snel; ze zijn voortdurend aan het gissen. Om op de limiet te rijden, moet een computer precies weten hoeveel grip de banden op elk gegeven moment op de weg hebben. Deze grip verandert met snelheid, temperatuur en de conditie van het asfalt, wat het meest cruciale en ongrijpbare stuk informatie maakt voor het brein van het voertuig. Traditioneel zouden ingenieurs een racewagen laten stoppen, er langzame cirkels op een testcircuit laten rijden en de banden meten om een wiskundig model te bouwen. Maar in een echte race is er geen tijd voor een testcircuit. De auto moet de banden leren kennen terwijl hij racet, waarbij hij gegevens van een normale ronde gebruikt om te achterhalen hoe het rubber zich gedraagt. Dit proces wordt on-track systeemidentificatie genoemd. Het is een hoogst riskant spel van inferentie: de auto moet de onzichtbare eigenschappen van zijn banden afleiden uit de zichtbare bewegingen van zijn chassis, terwijl hij met hoge snelheid rijdt.

Een recente studie door onderzoekers van de Ain Shams University en de American University of the Middle East onderzocht een specifieke methode om een volwaardige racewagen te leren zijn eigen banden te kennen tijdens het rijden. Ze namen een systeem dat goed had gewerkt op een piepklein modelauto op schaal één-tiende en probeerden dit direct over te brengen op een full-scale Formula Student-voertuig. De verwachting was dat de methode soepel zou opschalen. In plaats daarvan ontdekten de onderzoekers dat het systeem op een subtiele maar gevaarlijke manier faalde. Wanneer het naar de full-size auto werd verplaatst, produceerde de identificatiepipeline een model dat op papier correct leek, maar fysiek onmogelijk was, waardoor de auto geloofde dat hij veel meer grip had dan hij in werkelijkheid bezat. De studie, die volledig binnen een high-fidelity computersimulatie werd uitgevoerd, onthulde dat de fout niet kwam door slechte wiskunde of ruis in de sensoren, maar door een fundamentele fout in de manier waarop het systeem zijn eigen testgegevens genereerde.

De kern van het probleem lag in een stap waarin het systeem een "virtuele" testrit creëerde om de banden te analyseren. In de oorspronkelijke kleine opstelling was deze virtuele rit voldoende om de limieten van de band te onthullen. Echter, bij de full-size auto waren de snelheid en stuurhoeken die in deze virtuele simulatie werden gebruikt, te laag om de banden ooit tot hun breekpunt te drijven. Omdat de virtuele test de banden nooit hard genoeg liet werken, kon het systeem niet zien waar de grip ophield. Het was alsof men probeert te raden wat de draagkracht van een brug is door er met een fiets overheen te rijden; de brug zal nooit tekenen van stress vertonen, dus zal de gisser nooit weten hoeveel gewicht de brug daadwerkelijk kan dragen. Bijgevolg vulde de computer de ontbrekende informatie aan door te gokken, en hij gokte een waarde die de maximale limiet bereikte die in zijn programmering was toegestaan. Het systeem rapporteerde dat de banden bijna vier keer de kracht aan konden als ze in werkelijkheid aankonden. Wanneer de echte auto probeerde te rijden met de snelheden waarvan de computer dacht dat ze veilig waren, raakte hij simpelweg zonder grip en verliet hij de baan.

De onderzoekers herleidden dit falen tot een concept dat bekend staat als "excitatie" (prikkeling). Voor een systeem om een eigenschap te leren, moet het voldoende geëxciteerd of geprikkeld worden om die eigenschap te onthullen. In de context van bandenidentificatie moet de auto hard genoeg worden bestuurd om de rand van zijn grip te voelen. De virtuele testrit die door het oorspronkelijke systeem werd gebruikt, was te zacht voor een volwaardig voertuig. De onderzoekers berekenden dat de virtuele rit slechts in staat was om een fractie van de wrijving te eisen die de band daadwerkelijk kon bieden. Omdat de data nooit het hoogtepunt van de prestatiecurve van de band bereikte, kon het wiskundige model niet onderscheid maken tussen een band met weinig grip en een band met veel grip. Het koos simpelweg de hoogst mogelijke waarde die door zijn veiligheidslimieten werd toegestaan, wat een vals gevoel van veiligheid creëerde.

Om dit op te lossen, ontwierpen de onderzoekers de identificatiepipeline opnieuw zodat deze "excitatie-bewust" werd. Ze veranderden het systeem zodat de virtuele testrit automatisch de snelheid en de intensiteit van het sturen zou aanpassen op basis van hoe snel de auto daadwerkelijk op het echte circuit reed. Als de auto sneller reed, zou de virtuele test agressiever worden, om ervoor te zorgen dat er genoeg kracht werd gevraagd om de ware limieten van de banden te onthullen. Ze introduceerden ook een nieuwe veiligheidscontrole. In plaats van alleen naar de ruwe getallen te kijken die de computer produceerde, controleerden ze of het resulterende model fysiek zinvol was. Ze verifieerden of de berekende grip-plafond niet hoger was dan wat de weg mogelijk kon ondersteunen en of het stuurgedrag van de auto stabiel bleef. Als het model faalde voor deze fysieke controles, zou het systeem dit verwerpen en de vorige, bekende veilige modellen blijven gebruiken, in plaats van een gevaarlijk nieuw model in te zetten.

De resultaten van deze wijzigingen waren spectaculair in de simulatie. Op een statisch oppervlak waar de grip constant was, leerde het gecorrigeerde systeem de stijfheid van de band met een fout van minder dan 3,2 procent, terwijl het oude systeem een fout van meer dan 100 procent had. Belangrijker nog, het team testte het systeem op een oppervlak waar de grip langzaam afnam, wat een weg simuleerde die nat of versleten raakte. Het oude systeem, vastgelopen op zijn foutieve hoge schatting van de grip, merkte het verlies van tractie niet op. Het bleef rijden op snelheden die niet langer veilig waren, waardoor de auto tijdens de tweede ronde van de baan af gleed. Het gecorrigeerde systeem detecteerde echter de afnemende grip. Het realiseerde zich dat de banden hun grip verloren en de controller paste het referentie-snelheidsprofiel aan tegen de nieuwe, lagere limieten. Dit stelde het voertuig in staat om drie volledige ronden te voltooien met dezelfde precisie als voorheen, simpelweg door de snelheid aan te passen aan de veranderende omstandigheden.

De studie benadrukt een cruciale les voor autonome voertuigen: een model dat perfect bij de data past, is niet noodzakelijkerwijs een model dat de fysica begrijpt. De onderzoekers ontdekten dat het niet genoeg is om enkel te controleren of een getal binnen een veilige marge valt; het systeem moet ook garanderen dat de data die het gebruikt om te leren daadwerkelijk in staat was om die limieten te testen. Door het systeem te dwingen om de juiste vragen aan de banden te stellen — vragen die moeilijk genoeg zijn om de waarheid te onthullen — waren zij in staat om te voorkomen dat de auto een leugen vertrouwde. Hoewel deze resultaten in een simulatie zijn behaald, is de logica van de oplossing gebaseerd op natuurkundige wetten die van toepassing zijn op echte auto's. De onderzoekers concluderen dat voor autonoom racen de auto zo moet worden ontworpen dat hij actief op zoek gaat naar de grenzen van zijn eigen capaciteiten, in plaats van ervan uit te gaan dat die grenzen zijn wat de computer zegt dat ze zijn.