Research on Trajectory Prediction and Risk Control for Distributed-Drive Electric Vehicles Based on a Spatiotemporal Transformer and an Improved DRA Algorithm

A estrada à frente já não é apenas um caminho a ser percorrido; para o veículo moderno, é um quebra-cabeça complexo e mutável de partes móveis e forças invisíveis. À medida que os carros se tornam mais autónomos e elétricos, o desafio de os manter seguros mudou de simplesmente reagir ao perigo para antecipá-lo. Isto exige um sistema que possa observar a dança caótica do tráfego — carros a acelerar, travar e serpentear — e prever exatamente onde cada veículo estará daqui a alguns segundos. Este é o domínio da previsão de trajetória. Para um tipo específico de veículo conhecido como carro elétrico de tração distribuída, onde cada roda é movida pelo seu próprio motor, a física é ainda mais intrincada. Estes carros podem torcer e virar com uma precisão incrível, mas essa mesma flexibilidade torna os seus movimentos mais difíceis de prever, especialmente quando estão a interagir com outros condutores numa cidade movimentada. Se um computador não conseguir adivinhar com precisão para onde um carro se dirige, não conseguirá avisar o condutor ou o próprio carro a tempo de evitar uma colisão.

Para resolver isto, investigadores do Instituto de Engenharia de Tráfego de Hunan desenvolveram uma nova forma de ensinar os computadores a ver o futuro do tráfego. Eles combinaram duas ferramentas poderosas: um sofisticado sistema de reconhecimento de padrões inspirado na forma como os humanos processam a linguagem, e um método de busca inteligente que ajuda o computador a encontrar as configurações perfeitas para o seu cérebro. O resultado é um sistema que consegue prever a trajetória destes veículos elétricos avançados com uma precisão surpreendente, mesmo nas situações de tráfego mais confusas. Ao compreender as formas subtis como os carros influenciam uns aos outros, este novo método oferece uma janela mais clara para o futuro da estrada, fornecendo a informação fiável necessária para manter os condutores seguros antes mesmo de um perigo se materializar.

O cerne desta investigação reside em abordar uma fraqueza específica na forma como os computadores aprendem atualmente a prever o movimento. Os métodos tradicionais têm dificuldade em acompanhar as mudanças rápidas e não lineares na forma como os carros elétricos se movem, especialmente quando múltiplos veículos estão a interagir. Os investigadores recorreram a um modelo de aprendizagem profunda chamado Transformer, que é excelente a compreender sequências longas de eventos e as relações entre eles. No entanto, tal como um instrumento complexo, este modelo requer uma afinação precisa para funcionar corretamente. Se as configurações estiverem ligeiramente erradas, as previsões tornam-se pouco fiáveis. Encontrar as configurações perfeitas é como procurar uma agulha num enorme palheiro multidimensional, uma tarefa notoriamente difícil para os algoritmos de computador padrão. Eles frequentemente ficam presos em soluções locais, pensando que encontraram a melhor resposta quando existe uma muito melhor logo ali ao lado, ou demoram tanto tempo a pesquisar que se tornam inúteis para sistemas de segurança em tempo real.

Para superar isto, a equipa introduziu uma versão melhorada de um algoritmo de otimização que chamam de Algoritmo de Religiões Divinas Melhorado (Improved Divine Religions Algorithm). Embora o nome pareça abstrato, a lógica baseia-se em como grupos de pessoas interagem. Imagine uma comunidade onde os indivíduos ajustam constantemente as suas crenças com base na influência de líderes e dos seus vizinhos. O algoritmo mimetiza esta dinâmica social para procurar a melhor solução. Os investigadores melhoraram este processo adicionando duas características fundamentais. Primeiro, criaram um mecanismo para saltar cálculos desnecessários para indivíduos que não estão a melhorar, poupando um tempo de computação valioso. Segundo, permitiram que diferentes grupos dentro da pesquisa trocassem ocasionalmente de membros, garantindo que a busca não fica presa numa única área, mas continua a explorar todo o panorama de possibilidades. Esta abordagem híbrida permitiu ao sistema encontrar as configurações ideais para o modelo de previsão de forma muito mais rápida e precisa do que os métodos anteriores.

A equipa testou este novo sistema utilizando um "Conjunto de Dados de Interação de Multi-Veículos para Trajetórias de Veículos Elétricos de Tração Distribuída" construído à medida. Os dados cobriram uma vasta gama de cenários relevantes para os objetivos de otimização e validação do estudo, incluindo registos de alta frequência de posições, velocidades e torques de oito veículos experimentais equipados com sistemas de tração distribuída. Os investigadores inseriram este rico histórico de movimento no seu novo modelo, que teve então de prever estados futuros com base nas sequências de entrada. Os resultados foram impressionantes. Em testes envolvendo interações complexas e cenários dinâmicos, o novo método previu a trajetória futura dos veículos com um erro médio de apenas três centímetros. Este é um avanço massivo em relação aos métodos existentes, que muitas vezes falham por mais de um metro ou mais.

O estudo mostrou explicitamente que métodos mais antigos e comuns, como os baseados em redes neuronais simples ou modelos baseados em grafos, eram insuficientes para estas interações complexas e de alta velocidade. Em cenários que exigiam uma modelação de trajetória precisa, os modelos antigos frequentemente previam uma trajetória demasiado lenta ou que se desviava da trajetória real. O novo modelo, contudo, acompanhou o caminho pretendido pelo veículo com uma fidelidade notável, capturando tanto as curvas suaves como os ajustes súbitos. Os investigadores mediram este sucesso utilizando várias métricas padrão, constatando que a sua abordagem reduziu os erros de previsão em mais de 95 por cento em comparação com o segundo melhor método. Este nível de precisão não é apenas uma vitória estatística; significa que o sistema pode identificar um risco de colisão muito mais cedo, dando aos sistemas de segurança do veículo tempo suficiente para intervir.

Ao combinar um poderoso motor de reconhecimento de padrões com uma estratégia de busca altamente eficiente, esta investigação demonstra um passo significativo para tornar os veículos autónomos mais seguros. A capacidade de prever o movimento futuro de um carro com tal precisão, mesmo quando é conduzido por um humano ou por outro sistema autónomo num ambiente caótico, fornece uma base sólida para a segurança ativa. Move a tecnologia de simplesmente reagir ao que já aconteceu para compreender o que está prestes a acontecer. Para os condutores de amanhã, isto significa uma estrada onde o carro compreende o fluxo do tráfego tão bem quanto um condutor humano experiente, pronto para agir antes que um erro se torne um acidente. O trabalho confirma que, com as ferramentas matemáticas certas, podemos ensinar as máquinas a ver a estrada não apenas como ela é, mas como ela será.