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

Todo carro elétrico hoje carrega uma tensão silenciosa e invisível entre a estrada e seus pneus. Quando um motorista pressiona o acelerador ou vira o volante, os pneus devem aderir ao pavimento para traduzir esse comando em movimento. Se a estrada estiver seca e lisa, essa aderência é forte e previsível. Mas quando a superfície muda para asfalto molhado, cascalho solto ou uma camada de gelo, a aderência disponível muda instantaneamente e de forma imprevisível. Para que os sistemas de segurança do carro funcionem, eles precisam saber exatamente quanta força cada pneu está usando no momento e quanto mais ele consegue suportar antes de deslizar. Esse conhecimento é a diferença entre uma parada controlada e um derrapagem. O desafio é que os pneus estão escondidos sob o veículo, e as forças que eles geram não podem ser medidas diretamente sem sensores caros e frágeis que não são encontrados em carros de produção. Em vez disso, os engenheiros devem estimar essas forças observando como a carroceria do carro se move e olhando para a estrada à frente, tentando montar um quadro completo a partir de pistas incompletas.

Um pesquisador desenvolveu uma nova maneira de resolver esse quebra-cabeça, ensinando um computador a pensar como um físico enquanto olha para a estrada como um motorista. O estudo, conduzido por Timileyin Akande na Universidade Técnica Abiola Ajimobi, foca na criação de um sistema que possa prever as forças exatas que atuam em cada uma das quatro rodas de um veículo elétrico em tempo real. O pesquisador combinou dois tipos diferentes de informações: um fluxo de dados dos próprios sensores do carro, que rastreiam velocidade, ângulo de esterçamento e aceleração, e um fluxo de informação visual de uma câmera voltada para a frente que identifica o tipo de superfície da estrada adiante. Ao fundir esses dois fluxos, o sistema pode antecipar mudanças na aderência antes mesmo que o carro as sinta. O objetivo não era apenas adivinhar as forças, mas fazê-lo de uma forma que respeite as leis fundamentais da física, garantindo que as previsões nunca sugiram que um pneu está sustentando mais aderência do que é fisicamente possível.

Para construir e testar este sistema, o pesquisador enfrentou um obstáculo significativo: dados do mundo real que incluam medições precisas de forças nos pneus são incrivelmente raros e perigosos de coletar, especialmente em superfícies escorregadias como neve fresca ou gelo. Em vez de arriscar um acidente em uma pista de testes, o pesquisador criou um mundo virtual altamente detalhado. Eles utilizaram uma simulação computacional que imita a física de um carro elétrico real, completa com um modelo matemático de como os pneus se comportam sob estresse. Eles executaram milhares de cenários de condução virtual, variando de uma condução constante a frenagens de emergência, através de cinco condições de estrada diferentes, do asfalto seco ao gelo. Para tornar a parte visual do sistema realista, eles não tentaram gerar imagens falsas de estradas. Em vez disso, simularam a saída de um sistema de câmera que havia sido treinado em um grande conjunto de dados públicos de imagens reais de estradas, permitindo que o computador "visse" a estrada com o mesmo nível de incerteza e precisão que uma câmera do mundo real. Essa abordagem híbrida lhes deu um enorme conjunto de dados de 9.000 exemplos rotulados, emparelhando leituras de sensores e visões de estrada com as forças exatas de base que estavam acontecendo na simulação.

O núcleo de sua solução é um programa de computador leve, ou rede neural, projetado para ser pequeno o suficiente para rodar no computador de bordo existente do carro sem atrasá-lo. O sistema possui duas partes principais. Uma parte observa os sensores do carro, analisando uma janela curta de tempo para entender como o veículo está se movindo atualmente. A outra parte observa a classificação da estrada fornecida pela câmera, dizendo ao sistema se ele está dirigindo em pavimento seco, cascalho molhado ou gelo. Esses dois fluxos de informação são reunidos usando um método inteligente e eficiente que permite que a informação visual ajuste a interpretação dos dados do sensor. Crucialmente, o sistema é treinado com um livro de regras baseado na física. Ele é penalizado se prever uma força que causaria o deslizamento do pneu além do que a superfície da estrada permite. Isso garante que, mesmo que os dados sejam ruidosos ou a situação seja desconhecida, as previsões do sistema permaneçam fisicamente possíveis e seguras.

Os resultados da simulação mostraram que essa abordagem combinada funciona significativamente melhor do que depender de apenas um tipo de informação. Em superfícies escorregadias como asfalto molhado, neve e gelo, o novo sistema reduziu o erro em suas previsões de força entre 22 e 42 por cento em comparação com sistemas que olhavam apenas para os sensores do carro ou que simplesmente combinavam os dados sem as regras de física. Talvez o mais importante, o sistema cometeu menos erros perigosos. Ele violou os limites físicos de aderência do pneu com muito menos frequência do que outros métodos, o que é crítico para sistemas de segurança que precisam saber exatamente quando um pneu está prestes a perder tração. O sistema também se mostrou muito estável, produzindo resultados consistentes mesmo quando testado em condições de estrada que nunca tinha visto antes, como neve fresca, o que sugere que ele poderia generalizar bem para o mundo real. Todo o processo é incrivelmente rápido, levando menos de um milissegundo para fazer uma previsão, o que significa que pode acompanhar as decisões rápidas exigidas pelos controles de segurança dos veículos modernos.

Este trabalho demonstra que adicionar uma camada de compreensão física ao aprendizado baseado em dados cria uma ferramenta mais robusta e confiável para a segurança veicular. Ao ensinar o computador a respeitar as leis de fricção e transferência de carga, o pesquisador criou um sistema que não é apenas preciso, mas também confiável. O estudo sugere que, no futuro, os veículos elétricos poderão usar esse tipo de sistema leve e consciente da física para gerenciar sua estabilidade e tração de forma mais eficaz, especialmente em condições climáticas perigosas onde os tempos de reação humana não são suficientes. Embora os resultados tenham sido alcançados em uma simulação, o método oferece um caminho claro e prático para a construção de carros mais seguros e inteligentes que entendem a estrada tão bem quanto entendem seu próprio movimento.