Excitation-Aware On-Track System Identification at Full Scale

Carros de corrida autônomos não são apenas rápidos; eles estão constantemente adivinhando. Para dirigir no limite, um computador deve saber exatamente quanta aderência seus pneus têm na estrada em qualquer momento dado. Essa aderência muda com a velocidade, temperatura e as condições do asfalto, tornando-a a informação mais crítica e elusiva para o cérebro do veículo. Tradicionalmente, engenheiros parariam um carro de corrida, dirigiriam em círculos lentos em uma pista de testes e mediriam os pneus para construir um modelo matemático. Mas em uma corrida real, não há tempo para uma pista de testes. O carro deve aprender sobre os pneus enquanto está correndo, usando os dados de uma volta normal para descobrir como a borracha está se comportando. Esse processo é chamado de identificação de sistema em pista. É um jogo de inferência de alto risco: o carro deve deduzir as propriedades invisíveis de seus pneus a partir dos movimentos visíveis de seu chassi, tudo isso enquanto se move em alta velocidade.

Um estudo recente realizado por pesquisadores da Universidade Ain Shams e da Universidade Americana do Oriente Médio investigou um método específico para ensinar um carro de corrida em tamanho real a aprender seus próprios pneus enquanto dirige. Eles pegaram um sistema que funcionava bem em um pequeno modelo de um décimo de escala e tentaram transplantá-lo diretamente para um veículo Formula Student de escala real. A expectativa era que o método escalasse suavemente. Em vez disso, os pesquisadores descobriram que o sistema estava falhando de uma maneira sutil, mas perigosa. Quando movido para o carro de tamanho real, o pipeline de identificação estava produzindo um modelo que parecia correto no papel, mas era fisicamente impossível, levando o carro a acreditar que possuía muito mais aderência do que realmente possuía. O estudo, conduzido inteiramente dentro de uma simulação de computador de alta fidelidade, revelou que a falha não se devia a cálculos ruins ou sensores ruidosos, mas a uma falha fundamental na forma como o sistema gerava seus próprios dados de teste.

O cerne do problema residia em uma etapa onde o sistema criava uma condução de teste "virtual" para analisar os pneus. Na configuração original de pequena escala, essa condução virtual era suficiente para revelar os limites do pneu. No entanto, no carro de tamanho real, a velocidade e os ângulos de esterçamento usados nesta simulação virtual eram baixos demais para jamais levar os pneus ao seu ponto de ruptura. Como a condução virtual nunca exigiu que os pneus trabalhassem duro, o sistema não conseguia ver onde a aderência terminava. Era como tentar adivinhar o limite de peso de uma ponte dirigindo uma bicicleta sobre ela; a ponte nunca mostraria sinais de estresse, então quem faz a suposição nunca saberia quanto peso ela poderia realmente suportar. Consequentemente, o computador preencheu a informação ausente através de suposições, e ele supôs um valor que atingiu o limite máximo permitido por sua programação. O sistema relatou que os pneus poderiam suportar quase quatro vezes a força de que eram realmente capazes. Quando o carro real tentava dirigir nas velocidades que o computador considerava seguras, ele simplesmente perdia a aderência e saía da pista.

Os pesquisadores rastrearam essa falha até um conceito conhecido como "excitação". Para que um sistema aprenda uma propriedade, ele deve ser excitado ou estimulado o suficiente para revelar essa propriedade. No contexto da identificação de pneus, o carro deve ser dirigido com força suficiente para sentir a borda de sua aderência. A condução de teste virtual usada pelo sistema original era suave demais para um veículo de tamanho real. Os pesquisら calcularam que a condução virtual era capaz de exigir apenas uma fração do atrito que o pneu poderia realmente fornecer. Como os dados nunca atingiram o pico da curva de desempenho do pneu, o modelo matemático não conseguia distinguir entre um pneu com baixa aderência e um pneu com alta aderência. Ele simplesmente se estabeleceu no maior valor possível permitido por seus limites de segurança, criando uma falsa sensação de segurança.

Para corrigir isso, a equipe redesenhou o pipeline de identificação para ser "consciente da excitação". Eles alteraram o sistema para que a condução de teste virtual ajustasse automaticamente sua velocidade e intensidade de esterçamento com base na rapidez com que o carro estava realmente dirigindo na pista real. Se o carro estivesse se movendo rápido, o teste virtual se tornaria mais agressivo, garantindo que exigisse força suficiente para revelar os limites reais dos pneus. Eles também introduziram uma nova verificação de segurança. Em vez de apenas olhar para os números brutos que o computador produzia, eles verificavam se o modelo resultante fazia sentido físico. Eles verificavam se o teto de aderência calculado não era superior ao que a estrada poderia possivelmente suportar e se o comportamento de esterçamento do carro permanecia estável. Se o modelo falhasse nessas verificações físicas, o sistema o rejeitava e continuava usando o modelo anterior, conhecido como seguro, em vez de implantar um novo modelo perigoso.

Os resultados dessas mudanças foram dramáticos na simulação. Em uma superfície estática onde a aderência era constante, o sistema corrigido aprendeu a rigidez do pneu com um erro inferior a 3,2%, enquanto o sistema antigo estava errado por mais de 100%. Mais importante, a equipe testou o sistema em uma superfície onde a aderência estava diminuindo lentamente, simulando uma pista que estava ficando molhada ou desgastada. O sistema antigo, preso em sua estimativa falsa de alta aderência, não percebeu a perda de tração. Ele continuou a dirigir em velocidades que não eram mais seguras, fazendo com que o carro rodasse fora da pista durante a segunda volta. O sistema corrigido, no entanto, detectou a diminuição da aderência. Ele percebeu que os pneus estavam perdendo a sustentação e o controlador reajustou o perfil de velocidade de referência contra os novos limites mais baixos. Isso permitiu que o veículo completasse três voltas completas com o mesmo nível de precisão de antes, simplesmente ajustando sua velocidade às mudanças de condições.

O estudo destaca uma lição crítica para veículos autônomos: um modelo que se ajusta perfeitamente aos dados não é necessariamente um modelo que entende a física. Os pesquisadores descobriram que simplesmente verificar se um número cai dentro de uma faixa segura não é suficiente; o sistema deve também garantir que os dados que ele usa para aprender foram de fato capazes de testar esses limites. Ao forçar o sistema a fazer as perguntas certas aos pneus — perguntas difíceis o suficiente para revelar a verdade — eles foram capazes de evitar que o carro confiasse em uma mentira. Embora esses resultados tenham sido alcançados em uma simulação, a lógica da correção baseia-se em leis físicas que se aplicam a carros reais. Os pesquisadores concluem que, para que as corridas autônomas sejam seguras e eficazes, o carro deve ser projetado para buscar ativamente os limites de suas próprias capacidades, em vez de assumir que esses limites são o que o computador diz que são.