El Instituto de Investigación de Toyota y los ingenieros de Stanford logran la primera secuencia de drift en tándem totalmente autónoma

Durante casi siete años, los equipos han colaborado en la investigación para hacer que la conducción sea más segura. Los experimentos automatizan una maniobra de los deportes de motor llamada “derrape”, en la que un conductor controla con precisión la dirección de un vehículo después de perder tracción haciendo girar los neumáticos traseros, una habilidad que se puede transferir a la recuperación de un derrape. . en la nieve o el hielo. Al agregar un segundo automóvil que derrapa en tándem, los equipos ahora han simulado con mayor precisión las condiciones dinámicas en las que los automóviles deben responder rápidamente a otros vehículos, peatones y ciclistas.

“Nuestros investigadores se reunieron con un objetivo en mente: cómo hacer que la conducción sea más segura”, dijo   Avinash Balachandran , vicepresidente de la división Human Interactive Driving de TRI. “Ahora, utilizando las últimas herramientas de IA, podemos hacer derrapar dos autos en tándem de manera autónoma. Es la maniobra más compleja en los deportes de motor, y alcanzar este hito con autonomía significa que podemos controlar los autos de manera dinámica en los extremos. Esto tiene implicaciones de gran alcance para la construcción de sistemas de seguridad avanzados en los automóviles del futuro”.

“La física del derrape es en realidad similar a la que un coche podría experimentar sobre la nieve o el hielo”, afirmó   Chris Gerdes , profesor de ingeniería mecánica y codirector del Centro de Investigación Automotriz de Stanford (CARS). “Lo que hemos aprendido de este proyecto de derrape autónomo ya ha dado lugar a nuevas técnicas para controlar vehículos automatizados de forma segura sobre el hielo”.

En una secuencia de derrapes en tándem autónomo, dos vehículos (el primero y el segundo) registran un trayecto que a veces está a centímetros el uno del otro mientras operan al límite del control. El equipo utilizó técnicas modernas para construir la IA del vehículo, incluido un modelo de neumáticos de red neuronal que le permitió aprender de la experiencia, de forma muy similar a un conductor experto.

“Las condiciones de la pista pueden cambiar drásticamente en cuestión de minutos cuando se pone el sol”, dijo Gerdes. “La IA que desarrollamos para este proyecto aprende de cada viaje que hemos hecho a la pista para gestionar esta variación”.

Los accidentes de tráfico provocan más de 40.000 muertes en Estados Unidos y alrededor de 1,35 millones de muertes en todo el mundo cada año. Muchos de estos incidentes se deben a la pérdida de control del vehículo en situaciones dinámicas repentinas. La autonomía es una herramienta muy prometedora para ayudar a los conductores a reaccionar correctamente.

“Cuando tu coche empieza a patinar o a deslizarse, dependes únicamente de tus habilidades al volante para evitar chocar con otro vehículo, un árbol o un obstáculo. Un conductor medio tiene dificultades para gestionar estas circunstancias extremas, y una fracción de segundo puede suponer la diferencia entre la vida y la muerte”, añadió Balachandran. “Esta nueva tecnología puede entrar en acción con precisión a tiempo para proteger al conductor y gestionar una pérdida de control, tal como lo haría un experto en derrapes”.

“Hacer lo que nunca se ha hecho antes demuestra realmente lo que es posible”, añadió Gerdes. “Si podemos hacer esto, imagínense lo que podemos hacer para que los automóviles sean más seguros”.

Detalles técnicos 

• Los experimentos se llevaron a cabo en Thunderhill Raceway Park en Willows, California, utilizando dos GR Supras modificados: los algoritmos del auto líder se desarrollaron en TRI, mientras que los ingenieros de Stanford desarrollaron los del auto perseguidor.
• TRI se centró en desarrollar mecanismos de control robustos y estables para el vehículo líder, permitiéndole realizar recorridos líderes repetibles y seguros.
• Stanford Engineering desarrolló modelos de vehículos con inteligencia artificial y algoritmos que permiten que el auto perseguidor se adapte dinámicamente al movimiento del auto líder para poder desviarse a su lado sin chocar.
• GReddy y Toyota Racing Development (TRD) modificaron la suspensión, el motor, la transmisión y los sistemas de seguridad de cada coche (por ejemplo, la jaula antivuelco y el sistema de extinción de incendios). Aunque son ligeramente diferentes entre sí, los vehículos se construyeron según las mismas especificaciones que se utilizan en las competiciones de Fórmula Drift para ayudar a los equipos a recopilar datos con conductores expertos en un entorno controlado.
• Ambos están equipados con computadoras y sensores que les permiten controlar la dirección, el acelerador y los frenos y al mismo tiempo detectar su movimiento (por ejemplo, posición, velocidad y tasa de rotación).
  • Fundamentalmente, comparten una red WiFi dedicada que les permite comunicarse en tiempo real intercambiando información como sus posiciones relativas y trayectorias planificadas.
  • Para lograr un derrape en tándem autónomo, los vehículos deben planificar continuamente sus comandos de dirección, acelerador y freno y la trayectoria que pretenden seguir utilizando una técnica llamada Control Predictivo de Modelo No Lineal (NMPC).
• En NMPC, cada vehículo comienza con objetivos, representados matemáticamente como reglas o restricciones que deben obedecer.
  • El objetivo del vehículo líder es mantener la deriva a lo largo de una trayectoria deseada mientras permanece sujeto a las restricciones de las leyes de la física y los límites de hardware, como el ángulo de dirección máximo.
  • El objetivo del vehículo perseguidor es desplazarse junto al vehículo líder y evitar de forma proactiva una colisión.
• Luego, cada vehículo resuelve y vuelve a resolver un problema de optimización hasta 50 veces por segundo para decidir qué comandos de dirección, acelerador y freno se adaptan mejor a sus objetivos y al mismo tiempo responden a condiciones que cambian rápidamente.
• Al aprovechar la IA para entrenar constantemente la red neuronal utilizando datos de pruebas anteriores, los vehículos mejoran con cada viaje a la pista.