AI-teknik driver transformationen av F1-racing

Det här inlägget skrevs av Will Owen, BD Associate, på Valkyrie.

En kort historik över data i F1

Fram till 1980-talet var alla bilar mekaniska. Datorer var för stora och långsamma för att vara användbara på racerbilar, så föraren var den enda källan till "data" för racingingenjören. Lika fantastiska som förare är på att "känna" bilen, är det svårt för alla förare att komma ihåg objektiva mätningar om hur bilen presterade under en session när de är upptagna med att fokusera på att köra.

När elektroniken blev tillräckligt liten började den bli kritisk för att driva bilsystem, som bränslehantering och motortid. Eftersom fler och fler sensorer kopplades till olika system i bilen, mer data samlades in om både bilprestanda och tillförlitlighet. Till en början lagrade bilar bara en liten mängd sensordata i minnet inbyggt i bilens dator. Ingenjörer kunde komma åt det efter loppet men inte under det. Allt eftersom tekniken utvecklades fick bilar möjligheten att skicka små mängder data tillbaka till pitlane medan de var på rätt spår, vilket banade väg för en ny era inom motorsporten.

I början av 1990-talet blev bilar helt beroende av datorbehandling för att generera varvtid och prestanda. Aktiv fjädring, traction control, servostyrda kontroller och många fler system krävde alla någon form av digital bearbetning. Många av dessa förarstödssystem förbjöds inte långt efter att de implementerades av olika sport- och budgetskäl. Allt eftersom tekniken fortsatte att utvecklas kunde teamen montera fler och fler typer av sensorer på bilen för att få en komplett digital bild av hur bilen presterade på banan.

Där vi är nu

Numera, användningen av data är produktiv inom alla områden av beslutsfattande i Formel 1-racing, förutom förarhjälpmedel inbyggda i bilen. Från bilutveckling till racestrategi, telemetrin som sänds från racerbilen är ovärderlig för att hitta prestanda och uppnå resultat. För att utnyttja de enorma mängder data som bilen genererar när den körs på banan, sätter F1-team upp sin egen bärbara IT-infrastruktur som stödjer deras ingenjörs datorbehov under tävlingsevenemanget. Förutom personal på banan, huserar Formel 1-teamets hemmabaser permanenta ingenjörs- och datacenter, där dussintals ingenjörer outtröttligt arbetar med direkt telemetri som kommer från racerbilen. Varje bit av data som samlas in när bilen är på racerbanan är avgörande för att ge ingenjörerna som byggde bilen feedback om deras bilarbete. Tid är avgörande på tävlingshelgen, eftersom beslut måste fattas snabbt om vilka delar som ska användas. Moderna innovationer som cloud computing och datavetenskap gör det möjligt för människor att fatta dessa avgörande beslut från större mängder data.

Bildesign är en mycket teknisk gräns som kräver att världens bästa datavetare, racingingenjörer och fysiker alla arbetar tillsammans för att producera den bästa presterande och mest elitracebilen som är möjlig inom reglerna. Tävlingsteam programmerar nu anpassad programvara för att hjälpa till med att designa bilen. Processen att utveckla en racerbil ser mycket annorlunda ut idag än den gjorde tidigare, och beror nu på datorstödd design (CAD) för att identifiera förbättringar med maximal precision. I synnerhet använder team beräkningsvätskedynamik (CFD) för att simulera sina bilars aerodynamik med olika konfigurationer och delar. Alla dessa tekniker kräver robusta datasystem som kan hantera den datorkraft som behövs för design.

Racing för att tänja på gränserna

Formel 1 kommer att fortsätta att tänja på gränser för all motorsport när det kommer till att använda data för att förbättra prestandan. Alla racingteam, men speciellt de i Formel 1, måste hela tiden förnya sina metoder för att hålla jämna steg med konkurrenterna. Eftersom budgetbegränsningar i allt högre grad åläggs lag för att göra sporten mer rättvis, kommer Formel 1-lagen att behöva förlita sig mer på simuleringar för att testa sina nya bilar och delkomponenter. Simuleringar är byggda på modeller av racerbilar som tillåter ingenjörer att "köra" bilen i datorn baserat på vissa parametrar, vilket resulterar i data som genereras i samma format som den riktiga racerbilen. Att göra effektiva simuleringar är beroende av att ha exakta modeller av hur bilen presterar i den verkliga världen, och hur externa faktorer påverkar bilens prestanda. Team kommer att behöva banbryta nya metoder för att simulera bilar med större noggrannhet, och dessa kommer utan tvekan att involvera både krafterna hos artificiell intelligens (AI) och maskininlärning (ML) för att få tillgång till en detaljnivå bortom mänskliga ingenjörer.

Eftersom team har en begränsad budget är det helt enkelt inte möjligt att anställa tillräckligt många ingenjörer för att heltäckande granska all sensordata som kommer från racerbilarna. Nuvarande artificiell intelligens hjälper till att bearbeta stora mängder data och lyfter fram områden där mänskliga ingenjörer kan leta efter prestandavinster. Nästa generation av AI-tekniker integrerade i racing kommer att spela en framträdande roll i bilinställning och designbeslut som ger de bästa resultaten på banan.

Racingmiljöns komplexitet kommer att vara ett sant test för samarbetet mellan mänskliga ingenjörer och artificiell intelligens. Att få rätt insikter för bilprestanda från data kräver mer än bara bearbetning av sensorer. Datadriven racing kräver en djup förståelse för hur racingmiljön fungerar och vilka avvägningar som är acceptabla för alla andra delar av racing förutom bara ren prestanda. AI-system som informerar ingenjörer måste bli mer "medvetna" om sammanhanget där bilar presterar. Annars kommer de alltid att vara beroende av racingingenjörernas hjärnor.

Denna berättelse uppträdde ursprungligen på Www.valkyrie.ai. Upphovsrätt 2021