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

当今每一辆电动汽车，其轮胎与路面之间都存在着一种无声且隐形的张力。当驾驶员踩下加速踏板或转动方向盘时，轮胎必须抓紧路面，才能将这些指令转化为运动。如果路面干燥平整，这种抓地力是强劲且可预测的。但当路面变为湿滑沥青、松散碎石或冰面时，可用的抓地力会瞬间发生不可预测的变化。为了让汽车的安全系统发挥作用，它们需要准确知道每条轮胎当前正在使用多少力，以及在打滑之前还能承受多少力。这种知识是实现受控制动与发生侧滑之间的区别。挑战在于，轮胎隐藏在车辆下方，其产生的力无法通过在量产车中并不存在的昂贵且脆弱的传感器进行直接测量。因此，工程师必须通过观察车身的运动并观察前方的道路来估算这些力，试图从不完整的线索中拼凑出一幅完整的图景。

一位研究人员开发了一种新方法来解决这个难题，即教计算机像物理学家一样思考，同时像驾驶员一样观察道路。这项由阿比奥拉·阿吉莫比技术大学（Abiola Ajimobi Technical University）的蒂莱林·阿坎德（Timileyin Akande）进行的研究，专注于创建一个能够实时预测电动汽车四个车轮所受精确力的系统。研究人员结合了两种不同类型的信息：来自汽车自身传感器的信息流（追踪速度、转向角度和加速度），以及来自前向摄像头的视觉信息流（识别前方路面的类型）。通过融合这两股信息流，该系统可以在车辆感知到变化之前就预见到抓地力的变化。其目标不仅是猜测力的大小，还要以尊重基本物理定律的方式进行预测，确保预测结果永远不会暗示轮胎所承受的抓地力超过物理极限。

为了构建和测试这个系统，研究人员面临了一个重大障碍：包含精确轮胎力测量值的真实世界数据极其罕见且收集过程危险，尤其是在新鲜积雪或冰面等湿滑路面上。为了避免在测试场发生碰撞风险，研究人员创建了一个高度详细的虚拟世界。他们使用了一个模拟真实电动汽车物理特性的计算机仿真环境，其中包含了轮胎在压力下行为的数学模型。他们在五种不同的路况下（从干燥沥青到冰面）运行了数千个虚拟驾驶场景，涵盖了从平稳巡航到紧急制动等各种情况。为了使视觉部分更加真实，他们并没有尝试生成虚假的道路图像。相反，他们模拟了一个经过大型公共数据集训练的摄像头系统的输出，该数据集包含真实的道路图像，从而使计算机能够以与真实摄像头相同的确定性和准确度来“观察”道路。这种混合方法为他们提供了包含 9,000 个标记样本的海量数据集，将传感器读数、道路视图与仿真过程中发生的精确地面真值力进行了配对。

其解决方案的核心是一个轻量级的计算机程序，即神经网络，其设计足够小巧，可以在汽车现有的车载计算机上运行而不会降低速度。该系统有两个主要部分。一部分观察汽车的传感器，分析一段短时间的窗口，以了解车辆当前的运动状态。另一部分则观察摄像头提供的路面分类信息，告知系统其是在干燥路面、湿滑碎石还是冰面上行驶。这两股信息流通过一种巧妙且高效的方法结合在一起，允许视觉信息调整对传感器数据的解读方式。至关重要的是，该系统在训练时内置了一套基于物理学的规则手册。如果它预测的力会导致轮胎的滑动程度超过路面所允许的范围，它就会受到惩罚。这确保了即使在数据存在噪声或处于陌生环境下，系统的预测依然符合物理规律且安全可靠。

仿真结果表明，这种结合的方法比仅依赖单一类型信息的方法效果显著更好。在湿滑沥青、积雪和冰面等路面上，与仅观察汽车传感器或仅进行数据组合而不引入物理规则的系统相比，新系统的力预测误差降低了 22% 到 42%。或许最重要的一点是，该系统犯下危险错误的次数更少。它违反轮胎抓地力物理极限的情况远低于其他方法，这对于需要精确掌握轮胎何时即将失去牵引力的安全系统至关重要。该系统还表现出极高的稳定性，即使在测试从未见过的路况（如新鲜积雪）时也能产生一致的结果，这表明它具有良好的泛化能力。整个过程速度极快，做出一次预测的时间不到一毫秒，这意味着它可以跟上现代车辆安全控制所需的快速决策节奏。

这项工作证明，在数据驱动的学习中加入一层物理理解，可以创造出更稳健、更可靠的工具。通过教计算机尊重摩擦力和载荷转移的定律，研究人员创建了一个不仅准确而且值得信赖的系统。研究表明，在未来，电动汽车可以使用这种轻量级的、具备物理意识的系统来更有效地管理其稳定性和牵引力，特别是在人类反应时间不足以应对的危险天气条件下。虽然这些结果是在仿真环境中取得的，但该方法为构建更安全、更智能、能像理解自身运动一样理解道路的汽车提供了一条清晰且切实的路径。