AI en ML betreden de motorsport: hoe GM ze gebruikt om meer races te winnen

Het is moeilijk om aan het gevoel te ontsnappen dat een paar te veel bedrijven op de AI-hypetrein springen omdat het een hype is, in plaats van omdat AI een fundamenteel voordeel voor hun werk biedt. Dus ik geef toe dat er een beetje inherente scepsis was, en misschien een vleugje morbide nieuwsgierigheid, toen General Motors contact opnam en wilde pronken met enkele van de nieuwe AI/machine learning-tools die het gebruikt om meerdere races te winnen in NASCAR, de sportwagen race- en IndyCar. Het blijkt dat die scepsis misplaatst was.

GM heeft zijn vingers in veel motorsporten, maar er zijn vier topprogramma’s die echt: Echt zorgt voor. Nummer één voor de Amerikaanse autofabrikant is NASCAR – hier nog steeds de koning van de autosport – waar Chevrolet motoren levert aan zes Cup-teams. IndyCar, waar ooit Amerika’s favoriete race plaatsvond, is de thuisbasis van zes andere Chevy-teams. En dan zijn er de sportwagenraces; Momenteel concurreert Cadillac in de GTP-klasse van IMSA en de Hypercar-klasse van het World Endurance Championship, plus de fabrieksinspanningen van Corvette Racing in IMSA.

“In alle series waarin we racen, hebben we belangrijke partners of specifieke teams die onze auto’s besturen. En een deel van de technische ondersteuning die ze van ons krijgen, zijn de capaciteiten van mijn team”, zegt Jonathan Bolenbaugh, hoofd motorsportanalyse. bij GM, in het technisch centrum van GM in Charlotte, North Carolina.

In tegenstelling tot generatieve kunstmatige intelligentie, die wordt ontwikkeld om mensen uit creatieve activiteiten te halen, ziet GM de rol van AI en ML als ondersteuning van experts op het gebied van menselijke materie, zodat ze auto’s sneller kunnen maken. En gebruik deze tools in verschillende toepassingen.

Elk team in elk van die verschillende series heeft (uiteraard) bij elke race mensen ter plaatse, en altijd meer ingenieurs en strategen die hen helpen uit Indianapolis, Charlotte of waar dat specifieke raceteam ook zijn thuisbasis heeft. Maar ze zullen ook gekoppeld worden aan een team van GM Motorsports, dat zal opereren vanuit een van de vele commandocentra in het Charlotte Technical Center.

Wat zeiden ze?

Ze koppelen alle drie de streams en datastromen van de auto’s zelf (in een rij die auto-naar-pit-telemetrie mogelijk maakt), maar ook spraakcommunicatie, sms-berichten, timing- en scoregegevens van officials, foto’s langs het circuit en meer. Eén ding dat het team van Bolenbaugh en hun toolset kunnen doen, is helpen die gegevens snel genoeg te begrijpen zodat ze bruikbaar zijn.

“In een serie als de F1 zullen veel teams stagiaires hebben die potentieel nieuwe leden van het team zijn, die letterlijk naar de radio luisteren en intypen wat er aan de hand is en dan zeggen: ‘Hé, dit gaat over punten. Dit gaat over baanomstandigheden. ”, zei Bolenbaugh.

In plaats van het aan stagiaires te geven, bouwde GM hiervoor een real-time audiotranscriptietool. Nadat hij een commerciële kant-en-klare oplossing had uitgeprobeerd, besloot hij zijn eigen oplossing te bouwen, “een combinatie van open source en een deel van onze eigen code”, zei Bolenbaugh. Zoals iedereen die ooit op een racecircuit is geweest kan beamen, is het een luide omgeving, dus moest GM de modellen trainen met al het aanwezige achtergrondgeluid.

“We hebben onze nauwkeurigheid en bruikbaarheid van de tool echt kunnen verbeteren tot het punt dat een deel van de handmatige ondersteuning voor die mogelijkheid nu is verminderd”, zei hij, met als voordeel dat mensen die anders herschreven zouden worden, de ruimte kregen om toe te passen hun hersenen op nuttiger manieren.

Kijk hiernaar

Een ander hulpmiddel dat door Bolenbaugh en zijn team is ontwikkeld, is ontworpen om snel beelden te analyseren die zijn gemaakt door baanfotografen die voor teams en OEM’s werken. Hoewel een deel van de beelden die ze maken voor marketing of PR is, is een groot deel ervan voor ingenieurs.

Twee jaar geleden was het twee tot drie minuten werk om die foto’s van de camera van de fotograaf naar het team te krijgen. Nu, “van de klik op de sluiter op het circuit tijdens een NASCAR-evenement tot de AI die in de app is getagd om de informatie uit die foto’s te halen, is zeven seconden”, zei Bolenbaugh.

“Tijd is alles, en de kortste rondetijd die we rijden – het Colosseum zou uitstekend zijn, maar misschien is 18 seconden waarschijnlijk een korte rondetijd. We moeten dus sneller zijn vanaf het moment dat ze door de pitlane gaan tot het moment dat ze komen. weer naar buiten”, zei hij.

Toen een van de partnerteams van GM het gereedschap vorig jaar tijdens een NASCAR-race introduceerde, kon het een waarschuwingsstop vermijden nadat de coureur over de muur schraapte, toen de jonge ingenieur die het gereedschap ontwikkelde hen een seconden oude foto van de rechterkant kon laten zien. zijkant van de auto waaraan te zien is dat hij schade heeft vermeden.

“Ze hoefden niet te wachten tot de spotter keek, ze hoefden niet te wachten op de mening van de coureur. Ze wisten dat er geen kwaad kon. Dat team ging in die reeks de play-offs in met een voorsprong van vier punten, dus Als ze zouden strijden, is de kans groot dat ze het niet zouden redden”, zei hij. Wanneer de auto beschadigd is, kan de beeldanalysetool dit automatisch signaleren en snel aankondigen via een waarschuwing.

Niet alle afbeeldingen worden gebruikt voor zulke snelle beslissingen; ingenieurs kunnen ook veel over hun rivalen leren uit foto’s.

“We zouden erg geïnteresseerd zijn in zaken die verband houden met de geometrie van de auto voor de tuning-instellingen – de weefinstellingen, de vleugelhoeken… de rijhoogte van de auto, hoe dicht de auto bij de grond is – dat zijn allemaal dingen die te maken hebben met de geometrie van de auto.” dingen die vanuit technisch oogpunt geweldig zouden zijn om te weten, en dat zouden de doelen zijn die we zouden hebben bij beeldanalyse”, zegt Patrick Canupp, directeur motorsporttechniek bij GM.

“Het is niet eenvoudig om een ​​reeks foto’s te maken en daar veel technische informatie uit te halen. En dus werken we actief aan het helpen met alle foto’s die op ons pad komen tijdens het raceweekend – er zijn er duizenden. Dus we hebben veel informatie tot onze beschikking, om te proberen “We maximaliseren de technische informatie die we uit al die gegevens hebben verzameld, waarvoor AI echt geschikt is”, zei hij.

De computer zegt dat we nu naar de put moeten gaan

Weet je nog die getranscribeerde audiofeed van eerder? “Als een aantal coureurs over iets soortgelijks beginnen te praten in een race, zoals de omstandigheden op de baan, kunnen we op basis van de verschijning van bepaalde woorden concluderen dat de baan aan het veranderen is”, zei Bolenbaugh. “Het is misschien niet alleen jouw auto… als coureurs ergens op het circuit over praten, kan de kans op een waarschuwing, wat onderdeel is van ons strategische model, groter worden.”

Dit wordt gebruikt voor een strategietool die ook rondetijden uit timing en scores haalt, evenals brandstofefficiëntiegegevens van raceseries die dit voor alle auto’s bieden, of een voorspellend model dat hetzelfde doet in series als NASCAR en IndyCar waar teams niet werken kunnen dergelijke gegevens van hun concurrenten zien, evenals bandenslijtagemodellen.

“Een van de grootste dingen die we moeten regelen zijn banden, brandstof en rondetijden. Het is allemaal een afweging tussen proberen de race zo snel mogelijk te rijden”, aldus Bolenbaugh.

Het is duidelijk dat racen een dynamische situatie is, dus “meerdere ronden naarmate het scenario verandert, updaten we onze aanbeveling. Dus als een band eraf valt [as the tire wears and loses grip], volg in realtime en voorspel waar het zal zijn. We evolueren voortdurend tijdens de race en we dragen het geleerde over, zodat we het weekend in kunnen gaan terwijl de race zich ontvouwt, en de modellen in realtime blijven trainen”, aldus Bolenbaugh.