Elektrikli araçlar, istikrarlı, verimli ve güvenli kalabilmek için giderek daha fazla yazılıma bağımlı hale geliyor. Otomobiller daha fazla otomatik sürüş görevi üstlendikçe, karmaşık yol koşullarını insan sürücülerden daha hızlı yorumlamak zorunda kalıyorlar. Bu zorluk, mühendisleri araçların kendi hareketlerini nasıl anladıklarını yeniden düşünmeye itti.
Elektrikli araçlar yapay zeka ile trafiğe uyum sağlıyor
Modern kontrol sistemleri, bir aracın herhangi bir anda nasıl hareket ettiğine dair kesin bilgiye bağlıdır. Küçük hatalar bile frenlemeyi, direksiyonu ve dengeyi etkileyebilir. Otonom sistemlerde bu hatalar hızla büyüyebilir. Bu nedenle mühendisler, araç durum tahminini geleceğin ulaşımının en kritik temellerinden biri olarak görüyorlar.
Araştırmacılar artık geleneksel modelleme yaklaşımlarının tek başına yeterli olmadığını savunuyor. Gerçek yollar, lastik deformasyonu, yüzey değişiklikleri ve ani manevralar gibi öngörülemeyen faktörler içeriyor. Bu etkiler genellikle klasik araç modellerine yerleştirilen varsayımların dışında kalır.
[bkz url= https://www.techinside.com/chrome-veri-paylasimi-otomatik-devre-disi-kalabilecek/]
DGIST’te Profesör Kanghyun Nam liderliğindeki bir araştırma ekibi, bu soruna yeni bir çözüm geliştirdi. Grup, elektrikli araçların gerçek zamanlı davranışlarını izlemek için tasarlanmış, yapay zeka tabanlı fiziksel bir araç durum tahmin sistemi geliştirdi.
Bu proje, Şanghay Jiao Tong Üniversitesi ve Tokyo Üniversitesi ile uluslararası iş birliğini içeriyordu. Sistem, sensörlerin doğrudan ölçemediği araç hareket durumlarını tahmin etmeye odaklanmaktadır. Bunlardan en önemlilerinden biri de yanal kayma açısıdır. Bu değer, bir aracın virajlarda veya düşük sürtünme koşullarında ne kadar yana doğru kaydığını gösterir. Araç dengesinde yanal kayma büyük rol oynar. Sürücüler veya otomatik sistemler bunu erken tespit edemediğinde, kontrol sistemleri çok geç tepki verebilir.
Lastiklerin davranış biçiminin sürekli değişmesi nedeniyle geleneksel tahmin yöntemleri yetersiz kalmaktadır. Yol yüzeyleri ve hız, hesaplamaları daha da karmaşık hale getiriyor. Bu sınırlamaların üstesinden gelmek için araştırma ekibi hibrit bir tahmin çerçevesi tasarladı. Bu yaklaşım, fiziksel araç modellerini yapay zeka ile birleştiriyor. Sistem, fiziğin yerini almak yerine, veriye dayalı öğrenme ile onu güçlendiriyor. Bu çerçeve, fiziksel bir lastik modelini yapay zeka tabanlı bir regresyon yöntemiyle birleştiriyor.
