پیشرفت خودروهای الکتریکی و خودران، نیاز به تخمین دقیق وضعیت حرکتی را بیش از پیش ضروری کرده است. پژوهشگران DGIST سامانهای مبتنی بر هوش مصنوعی فیزیکی برای ردیابی لحظهای رفتار خودرو توسعه دادهاند. این روش با ترکیب مدلهای فیزیکی و یادگیری ماشین، دقت و سرعت سیستمهای کنترلی را بهطور محسوسی بهبود میبخشد.
به گزارش پایگاه خبری خودرو فارسی به نقل از ایتنا، پیشرفت خودروهای الکتریکی و خودران، وابستگی شدیدی به نرمافزار برای حفظ پایداری و ایمنی دارد. با افزایش وظایف رانندگی خودکار، این خودروها باید شرایط پیچیده جاده را سریعتر از رانندگان انسانی تحلیل کنند. این چالش مهندسان را وادار کرده تا درک خودرو از حرکت خود را بازتعریف کنند.
تمرکز این سامانه بر تخمین حالتهای حرکتی خودرو مانند زاویه لغزش جانبی است که حسگرها نمیتوانند آن را مستقیماً اندازهگیری کنند.
این زاویه نشان میدهد خودرو در پیچها یا شرایط با اصطکاک کم، چقدر به پهلو میلغزد.
تشخیص دیرهنگام این لغزش میتواند منجر به واکنش تارد (tard) سیستمهای کنترلی شود.
این تیم پژوهشی برای غلبه بر محدودیتهای روشهای متعارف، یک چهارچوب تخمین ترکیبی طراحی کردهاند.
این رویکرد، مدلهای فیزیکی خودرو را با هوش مصنوعی ادغام میکند. در هسته این سامانه، یک فیلتر کالمن بدون بو (unscented Kalman filter) با رگرسیون فرآیند گوسی یکپارچه شده است.
فیلتر کالمن، سازگاری فیزیکی را تضمین میکند و مؤلفهٔ هوش مصنوعی، انعطافپذیری و قابلیت یادگیری میافزاید.
گفته میشود این ادغام، تخمینی سریعتر و دقیقتر از روشهای سنتی را ممکن میسازد.
