به گزارش ایسنا، خودروهای برقی به طور فزاینده‌ای برای حفظ پایداری، کارایی و ایمنی به نرم‌افزار متکی هستند. با افزایش وظایف رانندگی خودران خودروها، آنها باید شرایط پیچیده جاده را سریع‌تر از رانندگان انسانی تفسیر کنند. این چالش، مهندسان را بر آن داشته است تا در مورد چگونگی درک حرکت خود توسط خودروها تجدید نظر کنند.
سیستم‌های کنترل مدرن به دانش دقیق از نحوه حرکت خودرو در هر لحظه وابسته هستند. حتی خطاهای کوچک می‌توانند بر ترمز، فرمان و پایداری تأثیر بگذارند. در سیستم‌های خودران، این خطاها می‌توانند به سرعت افزایش یابند. بنابراین مهندسان، تخمین حالت خودرو را به عنوان یکی از حیاتی‌ترین پایه‌های تحرک آینده می‌دانند.
محققان اکنون استدلال می‌کنند که رویکردهای مدل‌سازی سنتی به تنهایی نمی‌توانند با این روند همگام شوند. جاده‌های واقعی عوامل غیر قابل پیش‌بینی مانند تغییر شکل تایر، تغییرات سطح و مانورهای ناگهانی را ایجاد می‌کنند. این اثرات اغلب خارج از فرضیات موجود در مدل‌های کلاسیک خودرو قرار می‌گیرند.
درک رفتار خودرو
یک تیم تحقیقاتی به رهبری پروفسور «کانگهیون نام»(Kanghyun Nam) در مؤسسه علم و فناوری دائکو گیونگبوک(DGIST)، راه حل جدیدی برای این مشکل ارائه داده است.
این گروه، یک سیستم تخمین وضعیت خودرو مبتنی بر هوش مصنوعی فیزیکی ایجاد کرده‌اند که برای ردیابی رفتار خودروهای الکتریکی در لحظه طراحی شده است. این پروژه شامل همکاری بین‌المللی با دانشگاه شانگهای جیائو تونگ و دانشگاه توکیو بود.
این سیستم بر تخمین وضعیت‌های حرکتی خودرو که حسگرها نمی‌توانند مستقیماً اندازه‌گیری کنند، تمرکز دارد. یکی از مهم‌ترین این موارد، زاویه لغزش جانبی است. این مقدار نشان می‌دهد که یک خودرو در هنگام پیچیدن یا شرایط کم اصطکاک چقدر به پهلو می‌لغزد.
لغزش جانبی نقش مهمی در پایداری خودرو ایفا می‌کند. هنگامی که رانندگان یا سیستم‌های خودران نتوانند آن را به موقع تشخیص دهند، سیستم‌های کنترل ممکن است خیلی دیر واکنش نشان دهند.
روش‌های تخمین مرسوم به دلیل تغییر مداوم رفتار تایرها با مشکل مواجه می‌شوند. سطح جاده و سرعت، محاسبات را پیچیده‌تر می‌کند و برای غلبه بر این محدودیت‌ها، تیم تحقیقاتی یک چارچوب تخمین ترکیبی طراحی کرد.
این رویکرد مدل‌های فیزیکی خودرو را با هوش مصنوعی ترکیب می‌کند. به جای جایگزینی فیزیک، سیستم آن را با یادگیری مبتنی بر داده تقویت می‌کند.
این چارچوب، یک مدل فیزیکی تایر را با یک روش رگرسیون مبتنی بر هوش مصنوعی ادغام می‌کند.
داده‌های حسگر که نیروی جانبی تایر را اندازه‌گیری می‌کنند، به طور مداوم به سیستم وارد می‌شوند. این امر به مدل اجازه می‌دهد تا با رفتار غیرخطی تایر و تغییرات محیطی سازگار شود.
آزمایش‌ها و پیامدها
محققان این سیستم را با استفاده از یک پلتفرم واقعی خودروی خودران الکتریکی اعتبارسنجی کردند.
آزمایش‌ها سطوح مختلف جاده، سرعت‌ها و سناریوهای پیچیدن متعددی را پوشش دادند و سیستم در تمام شرایط دقت بالایی را حفظ کرد. مهندسان این ثبات را برای استقرار در خودروهای واقعی ضروری می‌دانند.
تخمین دقیق وضعیت خودرو از چندین عملکرد حیاتی پشتیبانی می‌کند. این موارد شامل کنترل پایداری، ایمنی رانندگی خودکار و بهره‌وری انرژی است. تخمین‌های بهتر به سیستم‌های کنترل اجازه می‌دهد تا زودتر و دقیق‌تر مداخله کنند.
پروفسور «نام»، پتانسیل بلندمدت این کار را خاطرنشان کرد و گفت که این تیم بر بهبود قابلیت اطمینان به اندازه دقت تمرکز کرده است. وی تأکید کرد که ترکیب فیزیک و هوش مصنوعی به پر کردن شکاف‌های ناشی از مدل‌های سنتی کمک کرده است.
وی افزود: از طریق رویکرد جدیدی که مدل‌های فیزیکی و هوش مصنوعی را ترکیب می‌کند، می‌توانیم شرایط رانندگی وسایل نقلیه الکتریکی را با دقت و قابلیت اطمینان بیشتری تخمین بزنیم.
محققان معتقدند که این رویکرد می‌تواند معماری‌های کنترل خودرو در آینده را شکل دهد. این سیستم مسیری را به سوی کنترل فیزیکی با کمک هوش مصنوعی بدون از دست دادن قابلیت اطمینان ارائه می‌دهد.
این مطالعه در مجله IEEE Transactions on Industrial Electronics منتشر شده است.
انتهای پیام