توکیو دریفت ۲.۰: هوش مصنوعی هنر دریفت دوگانه‌ی GR Supra را فرا می‌گیرد
دریفت یک باله پرس رویکردی بین انسان و ماشین است. رقبا در دوئل هیجان‌انگیزی درگیر می‌شوند، جایی که مهارت راننده و قابلیت‌های وسیله نقلیه تا حد نهایی آزمایش می‌شوند.
رابطه بین راننده و ماشین در دریفت یک شراکت منحصر به فرد و شدید است. با این حال، اکنون هوش مصنوعی برای کمک به رانندگان دریفت جهت رقابت ایمن‌تر ظاهر شده است.
برای اولین بار در جهان، موسسه تحقیقات تویوتا (TRI) و مهندسی استنفورد موفق به دریفت دو خودروی GR Supra به صورت مستقل شده‌اند.
تویوتا اعلام کرد که این تحقیقات مبتنی بر هوش مصنوعی با هدف افزایش ایمنی رانندگی انجام شده است.
آزمایش
به مدت تقریباً هفت سال، تیم‌های TRI و استنفورد در زمینه تحقیقات برای ایمن‌تر کردن رانندگی همکاری کرده‌اند.
این آزمایش‌ها یک مانور موتوری به نام «دریفت» را خودکار کرده‌اند، که در آن راننده دقیقاً جهت وسیله نقلیه را پس از لغزش تایرهای عقب کنترل می‌کند، مهارتی که می‌توان از آن برای بازیابی از لغزش در برف یا یخ استفاده کرد.
با اضافه کردن یک خودروی دومی که در حالت دریفت به صورت دوگانه حرکت می‌کند، تیم‌ها شرایط دینامیکی را شبیه‌سازی کرده‌اند که در آن خودروها باید به سرعت به دیگر خودروها، عابران پیاده و دوچرخه سواران واکنش نشان دهند.
«محققان ما با یک هدف گرد هم آمدند - چگونه می‌توان رانندگی را ایمن‌تر کرد»، آویناش بالاچاندران، معاون رئیس بخش تعامل انسانی رانندگی TRI گفت.
«اکنون، با استفاده از ابزارهای پیشرفته هوش مصنوعی، می‌توانیم دو خودرو را به صورت مستقل و در حالت دریفت دوگانه هدایت کنیم. این پیچیده‌ترین مانور در مسابقات موتوری است و دستیابی به این نقطه با خودمختاری به معنای این است که ما می‌توانیم خودروها را به طور دینامیکی در مرزها کنترل کنیم. این موضوع دور از انتظار نیست که تأثیرات گسترده‌ای در ایجاد سیستم‌های پیشرفته ایمنی در خودروهای آینده دارد.»
کریس گردس، استاد مهندسی مکانیک و هم‌مدیر مرکز تحقیقات خودرویی استنفورد (CARS)، گفت: «فیزیک دریفت در واقع مشابه چیزی است که یک خودرو ممکن است روی برف یا یخ تجربه کند.»
«آنچه که از این پروژه دریفت مستقل یاد گرفته‌ایم، منجر به تکنیک‌های جدیدی برای کنترل ایمن وسایل نقلیه خودکار در یخ شده است.»
در یک توالی دریفت دوگانه مستقل، دو خودرو — یکی خودرو پیشگام و دیگری خودرو تعقیب‌کننده — مسیری را طی می‌کنند که در مواقعی داخل چند اینچ از یکدیگر هستند در حالی که در مرز کنترل عمل می‌کنند.
تیم از تکنیک‌های مدرن برای ساخت مدل تایر شبکه عصبی خودرو و یادگیری از تجربه استفاده کرده است، مشابه یک راننده متخصص.
گردس بیان کرد: «شرایط پیست می‌تواند به طرز چشمگیری طی چند دقیقه که خورشید غروب می‌کند تغییر کند. هوش مصنوعی که ما برای این پروژه توسعه دادیم از هر سفری که به پیست داشته‌ایم می‌آموزد تا با این تغییرات سازگار شود.»
تکنولوژی
آزمایش‌ها در پیست مسابقه Thunderhill در ویروز، کالیفرنیا با استفاده از دو خودروی GR Supra اصلاح شده انجام شده است. الگوریتم‌ها در خودروی پیشگام در TRI توسعه یافته‌اند، در حالی که مهندسان استنفورد آن‌ها را در خودروی تعقیب‌کننده توسعه داده‌اند.
TRI بر توسعه مکانیزم‌های کنترل قوی و پایدار برای خودروی پیشگام متمرکز شده است، که به این خودرو اجازه می‌دهد دوره‌های پیشگام تکراری و ایمن انجام دهد.
مهندسی استنفورد مدل‌ها و الگوریتم‌های هوش مصنوعی خودرو را توسعه داده است که به خودروی تعقیب‌کننده اجازه می‌دهد به طور دینامیک با حرکت خودروی پیشگام سازگار شود تا بتواند بدون برخورد در کنار آن دریفت کند.
GReddy و توسعه مسابقات تویوتا (TRD) سیستم‌های تعلیق، موتور، ترانسمیشن و ایمنی هر خودرو (مانند رول کیج، سیستم‌های خاموش‌کننده آتش) را اصلاح کردند.
اگرچه به شکلی نامحسوس با یکدیگر متفاوت هستند، خودروها به همراه مشخصات یکسانی که در مسابقات دریفت فرمول استفاده می‌شود ساخته شده‌اند تا تیم‌ها بتوانند داده‌ها را در یک محیط کنترل‌شده جمع‌آوری کنند.
هر دو خودرو تجهیز شده‌اند تا فرمان، گاز و ترمز خود را کنترل کنند در حالی که حرکت خود را (مانند موقعیت، سرعت و نرخ چرخش) حس می‌کنند.
مهمتر اینکه، آن‌ها یک شبکه وافی اختصاصی را به اشتراک می‌گذارند که به آن‌ها اجازه می‌دهد به صورت بلادرنگ ارتباط برقرار کرده و اطلاعاتی مانند موقعیت نسبی و مسیرهای برنامه‌ریزی شده را تبادل کنند.
برای دستیابی به دریفت دوگانه خودمختار، خودروها باید به طور مداوم برنامه‌های فرمان، گاز و ترمز خود و مسیری که قصد دارند به دنبال آن باشند را با استفاده از تکنیک کنترل پیش‌بینی مدل غیرخطی (NMPC) برنامه‌ریزی کنند.
در NMPC، هر خودرو با اهدافی شروع می‌کند که به صورت ریاضی به عنوان قوانین یا محدودیت‌هایی که باید از آن‌ها پیروی کند، بیان می‌شوند.
هدف خودروی پیشگام حفظ دریفت در طول یک مسیر دلخواه است در حالی که تحت محدودیت‌های قوانین فیزیک و محدودیت‌های سخت‌افزاری مانند زاویه حداکثری فرمان باقی می‌ماند.
هدف خودروی تعقیب کننده دریفت در کنار خودروی پیشگام است در حالی که از برخورد جلوگیری می‌کند.
هر خودرو سپس مسئله بهینه‌سازی را تا ۵۰ بار در ثانیه حل می‌کند تا تصمیم بگیرد کدام فرمان‌ها، گاز و ترمز بهترین برآورده اهدافش هستند در حالی که به شرایط متغیر سریع پاسخ می‌دهد.
با استفاده از هوش مصنوعی برای آموزش شبکه عصبی با استفاده از داده‌های آزمایش‌های قبلی، خودروها از هر سفری به پیست بهتر می‌شوند.
