IA per lo sviluppo di veicoli elettrici con MATLAB e Simulink

Introduzione

Gli ingegneri che si occupano dello sviluppo di veicoli elettrici (EV), compresi i veicoli elettrici ibridi (HEV), i veicoli elettrici ibridi plug-in (PHEV) e i veicoli elettrici a batteria (BEV), si servono dell’IA per costruire modelli che stimano quantità che i sensori non sono in grado di misurare direttamente, per ottimizzare le strategie di controllo e per eseguire simulazioni più rapidamente. Queste tecniche si integrano direttamente nei workflow della progettazione Model-Based, con un conseguente incremento dei modelli basati sulla fisica, degli algoritmi di controllo e dei processi di verifica che i team usano già.

I team hanno la possibilità di addestrare questi modelli di IA direttamente in MATLAB^® e Simulink^® oppure possono importare modelli addestrati in framework open-source come PyTorch per poi eseguirli tramite la simulazione e la verifica prima della distribuzione.

Questa transizione è già in atto nei programmi dei veicoli di produzione. Hyundai, Cummins, Subaru, Schaeffler, Yanmar, Mercedes-Benz e altre case automobilistiche hanno integrato l’IA nei workflow di sviluppo dei loro veicoli elettrici. I case study contenuti in questo articolo, basati sul lavoro che gli ingegneri stanno svolgendo presso queste aziende, mostrano che l’ingegneria automotive basata sull’IA non è una possibilità futura ma riguarda il presente. Chi opera ancora affidandosi esclusivamente a metodi tradizionali potrebbe non riuscire a tenere il passo con i ridotti cicli di sviluppo dei veicoli.

L’IA si inserisce in diverse fasi dei workflow di sviluppo dei veicoli elettrici:

• Modellazione di impianti: l’identificazione dei sistemi crea modelli dinamici direttamente a partire dai dati misurati, mentre la modellazione di ordine ridotto (ROM) sostituisce i modelli di componenti onerosi dal punto di vista computazionale, comprese le lente cosimulazioni con strumenti di terze parti, con surrogati veloci e precisi. La combinazione di tali approcci permette una simulazione efficiente e l’esecuzione in tempo reale delle attività di sviluppo dei controlli, di ottimizzazione, delle valutazioni comparative e dei test Hardware-In-the-Loop (HIL).
• Progettazione di controlli: i sensori virtuali stimano le quantità da cui dipendono i controller a partire dai segnali già disponibili sul bus del veicolo. Il Reinforcement Learning, il controllo predittivo basato su modelli e altri metodi di controllo avanzati aiutano a ottimizzare le strategie di controllo e le operazioni di calibrazione.
• Distribuzione e verifica: per distribuire modelli di IA sulle ECU del settore automotive e verificarne il comportamento in sistemi fondamentali per la sicurezza occorre un workflow che vada ben oltre l’addestramento: compressione, generazione di codice, test della robustezza e monitoraggio di runtime.

Una volta che un veicolo è entrato in servizio, il rilevamento delle anomalie basato sull’IA rileva il peggioramento delle condizioni della batteria e dell’hardware prima che si verifichi un guasto. I dati operativi diventano un avvertimento precoce di guasto e una stima della vita utile residua.

Le sezioni che seguono mostrano come affrontare queste sfide ingegneristiche nel workflow di sviluppo dei veicoli elettrici con tecniche basate sull’IA.

Agentic AI e l’IA generativa stanno iniziando ad avere un impatto anche sui workflow ingegneristici, a partire dalla rapida generazione di artefatti fino all’esecuzione di attività basate su obiettivi definiti dagli ingegneri. Il presente articolo non si occupa di questi casi d’uso, ma si concentra piuttosto sull’uso dei modelli di IA che gli ingegneri creano e verificano nell’ambito della progettazione Model-Based, per poi distribuirli su hardware di produzione.

Leggi un’introduzione alle funzionalità di Agentic AI e dell’IA generativa in MATLAB e Simulink.

Modellazione di ordine ridotto e identificazione di sistemi

I modelli fisici ad alta fedeltà realizzati per la progettazione dei componenti, compresi quelli provenienti da strumenti di terzi, vengono spesso cosimulati con Simulink in quanto forniscono informazioni sul comportamento dettagliato dei componenti, necessarie per valutare i controlli, le scelte relative all’architettura e le interazioni a livello di sistema. Questi modelli di componenti possono essere troppo onerosi a livello computazionale, per le iterazioni rapide necessarie nella simulazione a livello di sistema e nell’ottimizzazione della progettazione dei controlli, e potrebbero non essere utilizzabili in tempo reale per i test HIL o la stima online. Tali modelli soddisfano il loro scopo di progettazione originale, ma non si adattano al workflow ingegneristico più ampio.

La modellazione di impianti basata sull’IA affronta questa difficoltà mediante due approcci correlati: l’identificazione di sistemi e la modellazione di ordine ridotto. L’identificazione di sistemi si serve di dati misurati sul campo, in laboratorio o dinamometrici per creare dei modelli dinamici quando un componente fisico è disponibile ma non esiste alcun modello di simulazione adatto; ad esempio, un team di ingegneri potrebbe ricevere un componente da un fornitore e dover creare un modello per la simulazione a livello di sistema o la progettazione dei controlli. La modellazione di ordine ridotto si serve dei dati provenienti da un modello ad alta fedeltà per addestrare un surrogato più rapido che preserva il comportamento di input-output di cui il sistema circostante ha bisogno.

MATLAB e Simulink supportano entrambi i workflow. Gli ingegneri possono usare tecniche di identificazione di sistemi, compresi modelli ARX non lineari e neurali di spazio degli stati, per creare modelli dinamici basati sull’IA a partire dai dati misurati. Possono anche utilizzare degli studi di progettazione di esperimenti (DOE) su modelli ad alta fedeltà per generare dati di addestramento per i modelli di ordine ridotto, comprese tabelle di lookup e surrogati basati sull’IA costruiti con tecniche di Machine Learning e di Deep Learning.

Hyundai America Technical Center (HATCI) aveva bisogno di un ambiente di simulazione per lo sviluppo del controllo termico della sua Ioniq 5 AWD che fosse in grado di funzionare più rapidamente del tempo reale con un risolutore a fasi temporali fisse. Il modello di riferimento esistente GT-SUITE era troppo lento per la progettazione iterativa del controllo e non poteva essere distribuito in altri ambienti di simulazione.

Il team ha ricostruito l’intero veicolo in MATLAB e Simulink: un modello mappato di motopropulsore in Simulink e un impianto termico completo in Simscape^® che comprende i circuiti di raffreddamento dell'elettronica di potenza e della batteria, oltre al circuito del refrigerante. Gli ingegneri hanno validato il modello rispetto a cicli dinamometrici standard e a dati su strada servendosi di una Ioniq 5 strumentata, con un consumo energetico confermato entro un intervallo dell’1,3% rispetto ai valori misurati.

I transitori di commutazione del compressore e la dinamica della valvola di espansione nel circuito del refrigerante hanno creato un comportamento numerico stiff che ha determinato la mancata riuscita della simulazione quando è stato usato un risolutore a fasi temporali fisse. Per risolvere la situazione, il team ha sostituito l’intero circuito di refrigerante con un modello neurale di spazio degli stati addestrato nell’app Reduced Order Modeler. La modellazione ROM usa le temperature dei sistemi, le posizioni delle valvole e le velocità delle pompe come input e prevede la temperatura del refrigerante in corrispondenza del condensatore ad acqua, il punto di interazione tra il circuito di refrigerante e il resto del sistema di raffreddamento. I dati di addestramento provenivano da 35 sessioni di guida su strada a temperature ambiente comprese tra i -20 e i 35 gradi Celsius, e l’addestramento è stato completato in meno di un’ora.

Con il modello ROM, il modello di Ioniq 5 è fino a cinque volte più veloce del tempo reale usando un risolutore a fase temporale fissa di 0,1 secondi. La validazione rispetto ai dati di test sia in modalità climatizzazione (30 gradi Celsius) che in modalità riscaldamento (-5 gradi Celsius) ha confermato il grado di accuratezza sull’intero intervallo operativo. 

Cummins: surrogati di reti neurali per la previsione delle prestazioni dei motori

Cummins aveva bisogno di prevedere 26 parametri di risposta dei motori, tra cui flusso, temperatura, pressione, coppie ed emissioni di NO_x, durante la simulazione del ciclo del motore. Le simulazioni esistenti “da 3D a 1D” con strumenti di terze parti avevano tempi di esecuzione che superavano di oltre 20 volte il tempo reale, quindi troppo lente per lo sviluppo e la calibrazione iterativi.

Il team di Cummins India ha valutato due approcci con Deep Learning Toolbox™. Una rete neurale feed-forward standard (sei layer nascosti, cinque neuroni per layer) aveva un tempo di esecuzione 1.500 volte più rapido del tempo reale ma produceva previsioni di temperatura con livelli di precisione inaccettabili, con un coefficiente di determinazione non più alto dello 0,85. Un’architettura ottimizzata del tipo Long Short-Term Memory (LSTM) con layer di dropout ha permesso di ottenere coefficienti di determinazione superiori a 0,95 per tutte e 26 le risposte, con tempi di esecuzione comunque 800 volte più rapidi del tempo reale.

I modelli addestrati possono essere applicati nell’intero workflow di sviluppo del motore: modellazione delle emissioni reali di guida, rilevamento del battito in testa, transizione tra modalità di combustione in motori a più modalità e calibrazione del motore. Cummins ha usato Statistics and Machine Learning Toolbox™ insieme a Deep Learning Toolbox, con Parallel Computing Toolbox™ e MATLAB Parallel Server™ per accelerare l’addestramento.

Subaru: surrogati di ODE neurali per l’analisi della trasmissione

Subaru ha utilizzato Deep Learning Toolbox per creare un modello surrogato di un’equazione differenziale ordinaria (ODE) neurale che riproducesse le forme d’onda della pressione idraulica per l’analisi del controllo della trasmissione automatica. Il surrogato usa la corrente, la temperatura dell’olio e la pressione sorgente come input e sostituisce una simulazione fisica 1D di terze parti onerosa a livello computazionale.

Il modello di ODE neurale ha ridotto i tempi di calcolo del 99% pur mantenendo inalterato il livello di precisione della forma d’onda, anche negli intervalli di temperatura dell’olio in cui il modello non era addestrato, dimostrando così una generalizzazione oltre i dati di addestramento originali.

Sensori virtuali: stimare quantità difficili da misurare

Non sempre è possibile posizionare i sensori fisici là dove le misurazioni sono davvero necessarie. Le aree calde degli avvolgimenti dei motori elettrici si trovano all’interno di profonde stratificazioni. È praticamente impossibile misurare la temperatura delle singole celle di un pacco batteria di grandi dimensioni in tutte le posizioni. La composizione del gas di scarico varia lungo il sistema di post-trattamento. I sensori virtuali basati sull’IA si servono di modelli addestrati per stimare queste quantità a partire da segnali già disponibili sul bus del veicolo (velocità del motore, comandi di coppia, temperatura del liquido di raffreddamento, condizioni ambientali), incrementando la strumentazione fisica con misurazioni calcolate che aggiungono osservabilità e ridondanza senza aggiungere hardware.

Lo spazio di progettazione dei sensori virtuali basati sull’IA va dai modelli leggeri di Machine Learning, come gli alberi decisionali e le macchine a vettori di supporto, alle architetture di Deep Learning, come le reti LSTM e quelle completamente connesse, fino alle reti neurali informate dalla fisica (PINN) che integrano le conoscenze di dominio. I sensori virtuali possono anche essere costruiti con metodi basati su osservatori stabiliti, come i filtri di Kalman, gli osservatori sliding mode e quelli di stato esteso. In pratica, i sensori virtuali basati sull’IA dovrebbero essere valutati rispetto a questi approcci convenzionali, poiché la scelta migliore potrebbe variare nel campo di funzionamento. È anche possibile realizzare progetti ibridi: ad esempio, un modello di IA come un modello neurale di spazio degli stati può fungere da modello predittivo all’interno di un filtro di Kalman esteso o unscented.

I modelli informati dalla fisica vincolano l’IA a comportarsi in modo coerente con equazioni di governo note, migliorando la robustezza e l’interpretabilità ma richiedendo uno sforzo iniziale per definire la fisica coinvolta. I modelli puri basati sui dati richiedono una minore configurazione specifica del dominio ma offrono meno informazioni sul motivo per cui una previsione è stata fatta e meno robustezza a condizioni operative valide al di là dei dati di addestramento.

Schaeffler ha sviluppato un sensore virtuale per un prototipo di motore elettrico con un innovativo schema di raffreddamento diretto degli avvolgimenti, in cui la conoscenza precisa della temperatura in corrispondenza di più punti interni è fondamentale per evitare la smagnetizzazione dei magneti permanenti. Piuttosto che dotare tutti gli hotspot termici di un sensore fisico, il team ha realizzato una rete neurale termica (TNN), adottando pertanto un approccio di IA informato dalla fisica basato su reti termiche a parametri concentrati.

La TNN incorpora un principio ingegneristico base: la temperatura cambia in corrispondenza di ogni nodo per via della perdita di potenza locale (calore generato) e il calore fluisce in modo proporzionale alla differenza di temperatura tra i nodi. Le reti neurali stimano le perdite di potenza e la conduttanza termica a ogni fase temporale. Queste stime vengono inserite nell’equazione di aggiornamento basata sulla fisica che fa progredire lo stato della temperatura. Il risultato è un modello ibrido: le reti neurali gestiscono la stima dei parametri non lineari mentre l’equazione di aggiornamento attua un comportamento coerente dal punto di vista termodinamico.

Schaeffler ha addestrato la TNN con 300 ore di dati di cicli di guida registrate da 12 sensori di temperatura sul prototipo, usando Deep Learning Toolbox con una definizione di rete personalizzata. L’addestramento è stato completato in circa un’ora e mezza. Il modello addestrato prevede le temperature in tutte e 12 le posizioni dei sensori con una precisione che rientra nel requisito di +/-5 gradi Celsius. La TNN ha dimostrato di funzionare meglio degli approcci a rete multilayer perceptron o LSTM pura sugli stessi dati.

Al di là della precisione, la TNN garantisce tre vantaggi pratici per la distribuzione in produzione:

• Spiegabilità: gli ingegneri possono ispezionare nel tempo la conduttanza e le perdite di potenza apprese, per verificare se i pattern del flusso di calore e le sorgenti di generazione corrispondono all’intuito fisico.
• Inizializzazione robusta: anche quando inizializzato con uno scarto di 20 gradi Celsius rispetto alla temperatura reale, il modello recupera entro circa 300 secondi, il che è fondamentale per l’avvio del veicolo quando le condizioni iniziali sono sconosciute.
• Tasso di inferenza variabile: un modello addestrato con un campionamento di un secondo funziona in modo accurato a intervalli di 5 o 10 secondi, adattandosi a diversi vincoli di pianificazione dell’ECU senza riaddestramento.

Renault: Deep Learning per la stima delle emissioni

Renault ha sviluppato un sensore virtuale basato su LSTM per stimare le emissioni di NO_x in uscita dal motore nelle varie condizioni operative, tra cui i cicli di guida WLTC, NEDC e RDE. Con gli approcci esistenti basati su tabella di lookup era possibile raggiungere un livello di precisione non superiore al 60–70%. Un modello di combustione basato sulla fisica riusciva a migliorare la precisione ma era troppo complesso per l’esecuzione su ECU in tempo reale.

L’architettura finale (un layer LSTM, tre layer ReLU, tre layer completamente connessi e un output di regressione) usa la coppia del motore, la velocità, la temperatura del liquido di raffreddamento e il numero della marcia come input. Il team ha bilanciato in modo iterativo la profondità della rete rispetto ai vincoli di memoria dell’ECU usando Deep Learning Toolbox, per arrivare a un progetto capace di prevedere il valore NO_x con una precisione dell’85-90%.

Renault ha generato codice C a partire dalla rete addestrata come proof-of-concept per la distribuzione su ECU usando MATLAB Coder™ e Simulink Coder™.

Reinforcement Learning e controllo avanzato

Il controllo predittivo basato su modelli (MPC) e altri metodi di controllo avanzati possono supportare i problemi di controllo dei veicoli elettrici in cui i vincoli e le condizioni operative variano considerevolmente e i vincoli hanno una certa importanza. L’MPC è particolarmente adatto al controllo MIMO (multi-input, multi-output) con vincoli, tra cui la gestione termica della batteria, il coordinamento tra il circuito della pompa di calore e del liquido di raffreddamento, la frenata rigenerativa e la ripartizione della coppia e la gestione dell’energia di supervisione. Nei workflow a IA, è possibile utilizzare un modello di previsione appreso all’interno di un controller MPC. È possibile implementare altri metodi adattivi e basati sull’apprendimento in MATLAB e Simulink, i quali sono perfettamente adatti a supportare workflow specifici di sviluppo dei veicoli elettrici.

La parte restante di questa sezione è dedicata al Reinforcement Learning (RL). Il RL è utile soprattutto quando i problemi di controllo coinvolgono così tanti parametri accoppiati che gli ingegneri non sono in grado di derivare manualmente una strategia ottimale. La gestione dell’energia nei motopropulsori elettrici a batteria e ibridi deve bilanciare lo stato di carica delle batterie, il consumo energetico e la guidabilità in profili di guida imprevedibili. La calibrazione post-trattamento delle emissioni richiede la sincronizzazione di 20 o più mappe di dosaggio indipendenti per minimizzare contemporaneamente NO_x, rilascio di ammoniaca e costo dei reagenti. Questi sono problemi di ottimizzazione multi-obiettivo in cui le interazioni tra i parametri complicano la derivazione di strategie di controllo efficaci o la calibrazione ottimale tramite metodi manuali.

Il RL addestra un agente di controllo facendo in modo che interagisca con un ambiente di simulazione, riceva ricompense per il comportamento desiderato e migliori in modo iterativo la sua politica. Se quell’ambiente è un modello di impianto Simulink, gli ingegneri possono addestrare gli agenti RL rispetto a una dinamica di sistema validata senza rischi per l’hardware, per poi valutare la politica appresa in una simulazione desktop e in test Software-In-the-Loop prima della distribuzione su un controller target. Reinforcement Learning Toolbox™ mette a disposizione degli algoritmi basati su valori come Deep Q-Network (DQN), metodi basati su politiche come la Proximal Policy Optimization (PPO) e algoritmi actor-critic come Deep Deterministic Policy Gradient (DDPG) e Soft Actor-Critic (SAC), con integrazione diretta in Simulink per l’addestramento rispetto a modelli di impianto.

Dato che gli agenti RL vengono addestrati con un modello dell’impianto invece che con un sistema fisico, la politica addestrata deve essere robusta rispetto alle differenze tra dinamica simulata e del mondo reale. Tecniche quali la randomizzazione del dominio, che varia i parametri dell’impianto tra i vari episodi di addestramento, aiutano a produrre politiche che generalizzano nell’incertezza di modellazione e nella variabilità del mondo reale. Una volta validate, le politiche addestrate possono essere distribuite come codice C/C++ generato su target embedded usando Embedded Coder^®.

Yanmar America: Deep RL per la calibrazione relativa alle emissioni

Yanmar America doveva riuscire a rispettare gli standard di emissione CARB Tier 5, che richiedono una riduzione del 90% di NO_x rispetto ai livelli precedenti. La calibrazione del sistema di post-trattamento SCR (riduzione catalitica selettiva) prevede oltre 20 mappe interdipendenti, dove ciascuna influenza l’efficienza di conversione dei NO_x, il rilascio di ammoniaca e il consumo di reagenti. La calibrazione manuale di questo sistema richiedeva oltre 240 ore di lavoro d’ingegneria senza alcun metodo sistematico per determinare se il risultato fosse ottimale.

Lavorando con MathWorks Consulting Services, Yanmar ha addestrato un agente Deep Q-Network con un modello Simulink accoppiato a un software di simulazione di catalizzatore di terze parti. L’agente ha imparato a ottimizzare i profili di dosaggio dell’urea sull’intero intervallo di funzionamento massimizzando una funzione di ricompensa che penalizzava le emissioni di NO_x e il rilascio di ammoniaca minimizzando al contempo l’uso di reagenti. Ogni ciclo di addestramento è stato completato in una trentina di minuti.

L’agente RL ha ottenuto una riduzione di NO_x del 60% rispetto alla calibrazione di base. Ha inoltre individuato delle strategie di dosaggio che il team di ingegneri non aveva trovato con i metodi manuali. Il tempo totale di calibrazione è stato dimezzato, le ore totali del progetto si sono ridotte del 30% e i costi sono stati più bassi del 41% rispetto al processo di calibrazione manuale. Il progetto è stato completato in sei mesi.

Schaeffler: il Deep RL per il controllo dei motopropulsori

Vitesco Technologies (che ora fa parte di Schaeffler) ha applicato il Reinforcement Learning allo sviluppo di una strategia di controllo per un sistema di post-trattamento dei gas di scarico. Dopo aver creato un modello Simulink dettagliato dell’impianto costituito dal motore e dal sistema di gas di scarico, il team ha usato Reinforcement Learning Toolbox per prototipare e ottimizzare agenti RL che prendessero decisioni di controllo in tempo reale in base allo stato corrente del sistema.

Rilevamento delle anomalie e manutenzione predittiva

I veicoli elettrici generano grandi quantità di dati operativi da batterie, motori, inverter e sistemi termici. Ciascuno di questi sottosistemi subisce un peggioramento delle condizioni nel tempo: le celle delle batterie perdono capacità o sviluppano condizioni che portano all’invecchiamento della batteria o alla fuga termica, l’usura dei cuscinetti dei motori e l’elettronica di potenza subisce la fatica termica. Questi pattern di deterioramento sono spesso rilevabili nei dati dei sensori ben prima che un componente si guasti. Il rilevamento delle anomalie basato sull’IA identifica le deviazioni rispetto al comportamento previsto che nessun sensore sarebbe in grado di segnalare in isolamento, spesso sotto forma di pattern multivariati in segnali correlati come la tensione e la corrente della cella insieme alla temperatura. La stima della vita utile residua (RUL) prevede quando sarà necessario procedere alla manutenzione, consentendo così di programmare la manutenzione sulla base delle condizioni piuttosto che a intervalli fissi.

Tali funzionalità possono essere distribuite in corrispondenza di punti diversi nella pipeline dei dati. I modelli basati su edge vengono eseguiti direttamente sui computer a bordo veicolo ed elaborano i dati dei sensori in locale per il rilevamento dei guasti in tempo reale. I modelli basati su Cloud aggregano i dati della flotta per analisi più profonde, per il rilevamento dei trend e il riaddestramento dei modelli. Alcuni sistemi combinano entrambe le soluzioni: i modelli edge contrassegnano le anomalie ed estraggono le feature a bordo, poi trasmettono i dati delle feature compressi al Cloud in cui viene eseguita l’analisi a livello della flotta e la stima della RUL. I modelli ospitati su Cloud possono anche adattarsi in modo incrementale man mano che la flotta invecchia, aggiornando la definizione di “normale” con il graduale deterioramento dei sistemi nel corso del loro esercizio.

I modelli di rilevamento di anomalie vengono in gran parte addestrati solo sulla base di dati operativi normali, vale a dire che apprendono le caratteristiche di un comportamento sano e segnalano le deviazioni senza aver bisogno di esempi etichettati di ogni modalità di guasto possibile. Questo approccio senza supervisione consente di evitare una grossa difficoltà: i veicoli sono progettati per non commettere errori, per cui i set di dati di guasto del mondo reale sono piccoli e sbilanciati. Quando servono dati di errore etichettati per la stima della RUL o la classificazione dei guasti, i gemelli digitali costruiti in Simscape possono simulare degli scenari di deterioramento e condizioni di guasto, generando dati di addestramento sintetici che incrementano le osservazioni limitate del mondo reale.

Tata Consultancy Services: manutenzione predittiva distribuita per veicoli definiti da software

Tata Consultancy Services (TCS) ha sviluppato un’architettura di Machine Learning distribuita per la manutenzione predittiva dei veicoli, distribuendo modelli di IA sia su computer edge di bordo che su un’infrastruttura Cloud su Microsoft Azure. Il sistema elabora dati provenienti da diversi sottosistemi del motopropulsore, rilevando anomalie, classificando i tipi di guasto ed estraendo feature diagnostiche dai dati di serie storiche dei sensori.

Il team di TCS ha utilizzato l’app Diagnostic Feature Designer di Predictive Maintenance Toolbox™ per estrarre e classificare le feature a partire dai segnali grezzi dei sensori, poi ha addestrato dei modelli di classificazione e regressione con Statistics and Machine Learning Toolbox. I modelli distribuiti su edge eseguono il rilevamento iniziale delle anomalie sul veicolo, riducendo il volume dei dati da trasmettere al Cloud. I modelli ospitati su Cloud si occupano dell’aggregazione a livello di flotta e dell’analisi più onerosa a livello computazionale.

Questa architettura riduce i costi di calcolo su Cloud elaborando i dati in locale ove possibile, potendo comunque eseguire il riconoscimento dei pattern a livello di flotta nel Cloud. TCS ha distribuito i componenti Cloud con MATLAB Production Server™ su Azure, con interfacce web realizzate usando MATLAB Web App Server™.

HL Mando: manutenzione predittiva per componenti di veicoli autonomi

HL Mando ha sviluppato un sistema “Smart Lab” che combina test bench connessi e monitoraggio IoT con la manutenzione predittiva gestita dall’IA per le apparecchiature di test dei componenti dei veicoli autonomi, come i sistemi di frenata e sterzata x-by-wire. Per raccogliere dati su esercizio e deterioramento dai veicoli reali occorrerebbero anni, per cui il team ha implementato test accelerati della vita di esercizio su test bench personalizzati in-house, caricando e scaricando i componenti su cicli di lavoro controllati, correlati a chilometraggi del mondo reale.

I gemelli digitali Simscape dei componenti del test bench supportavano lo sviluppo di algoritmi di controllo e hanno fornito un percorso di dati virtuali parallelo per la simulazione e la sincronizzazione, accanto ai dati di test reali. I computer edge estraggono le feature dai dati del test bench in modalità live e addestrano modelli di IA, mentre una piattaforma basata su web realizzata con MATLAB Production Server visualizza il monitoraggio delle condizioni in tempo reale e le stime della RUL. Il team ha applicato l’analisi basata sull’IA per i modelli di similarità e deterioramento e metodi Physics of Failure (regola di Miner) per i modelli di sopravvivenza in cui erano disponibili conoscenze tecniche sui meccanismi di fatica.

IA embedded: verifica e distribuzione dell’IA su ECU di produzione

Addestrare una rete neurale che funziona bene su una workstation non garantisce che funzionerà su hardware embedded di tipo automotive o che si comporterà correttamente in tutte le condizioni operative. Il passaggio da rete addestrata a distribuzione embedded richiede compressione, verifica e generazione di codice, e la verifica deve essere applicata in modo iterativo a tutti gli stadi.

Il workflow di distribuzione embedded inizia con la compressione del modello di IA mediante tecniche quali la quantizzazione, la proiezione e il pruning, per ridurre le dimensioni della memoria e aumentare le prestazioni di inferenza. Poi si passa alla simulazione dell’algoritmo di IA compresso all’interno di un modello di sistema Simulink e al test dell’integrazione con i componenti circostanti prima di passare all’hardware.

Successivamente, la generazione di codice produce codice C/C++ ottimizzato per l’hardware target. Nel corso di questo processo, la verifica conferma che la compressione e la quantizzazione non hanno deteriorato il comportamento del modello oltre limiti accettabili. Deep Learning Toolbox, Fixed-Point Designer™ e Embedded Coder supportano questo workflow in MATLAB e Simulink.

Molti team del settore automotive iniziano anche con modelli addestrati in frameworks open-source, come PyTorch. Questi modelli possono essere importati in MATLAB e Deep Learning Toolbox per la compressione, l’integrazione in Simulink, la verifica e la distribuzione. Per modelli più grandi o modelli con layer non standard che non possono essere importati, i workflow di generazione di codice possono offrire un altro percorso dai modelli addestrati in PyTorch al codice C/C++ distribuibile.

Verifica dell’IA

Man mano che i modelli di IA entrano nei sistemi automotive fondamentali per la sicurezza, come la gestione delle batterie e il controllo dei motori, è necessario che la verifica si spinga oltre l’accuratezza sui dati di test. Non c’è garanzia che una rete neurale si comporti correttamente con input avversari, in condizioni operative Out-of-Distribution o in casi limite non rappresentati nel set di addestramento. Gli standard del settore automotive come ISO/PAS 8800 aiutano gli ingegneri a elaborare dichiarazioni di garanzia di sicurezza che tengano conto di tali rischi.

Il processo di sviluppo a W adatta il tradizionale modello a V per i componenti di IA aggiungendo attività di verifica specifiche per il Machine Learning. Attività quali i test della robustezza rispetto alle perturbazioni di input, il rilevamento Out-Of-Distribution, la verifica delle proprietà della rete e l’analisi della spiegabilità possono essere usate per accertarsi che il comportamento del modello sia in linea con l’intento ingegneristico. Questo processo si applica a ogni stadio del ciclo di vita dell’IA, dall’addestramento iniziale del modello passando per la compressione del modello, la generazione di codice fino alla distribuzione.

Verification Library per Deep Learning Toolbox supporta questo workflow con funzionalità di:

• Verifica della robustezza: test della sensibilità del modello di IA rispetto alle perturbazioni di input e a esempi avversari. Stima dei limiti di output per confermare che, in caso di lieve variazione dell’input, non si producono errori di previsione imprevisti e di grande entità.
• Monitoraggio di runtime: creazione di discriminatori di distribuzione che rilevano quando i modelli distribuiti si trovano di fronte a input al di fuori della loro distribuzione di addestramento, il che consente al sistema di contrassegnare previsioni incerte o di ricorrere ad algoritmi convenzionali.
• Spiegabilità: visualizzazione degli input che azionano le previsioni del modello con tecniche quali Grad-CAM e D-RISE.
• Deep Learning con vincoli: integrazione di vincoli specifici del dominio nell’addestramento della rete per attuare limiti fisici o di sicurezza per costruzione, piuttosto che affidarsi esclusivamente alla verifica post-trattamento.

Mercedes-Benz Research & Development India: compressione e quantizzazione della rete neurale per il comfort nell’abitacolo

Mercedes-Benz Research & Development India (MBRDI) ha sviluppato un sensore virtuale di bordo per stimare la portata in peso dell’aria nell’abitacolo in tempo reale per il comfort termico, la regolazione dell’umidità e il controllo della qualità dell’aria. Un precedente approccio basato su Cloud introduceva latenza, costi per la larghezza di banda e possibili problematiche legate alla privacy. Al team occorreva un modello di IA da eseguire direttamente sull’ECU del veicolo.

La rete addestrata originale era troppo grande per l’hardware target. MBRDI ha applicato una proiezione di rete neurale, una tecnica di compressione che identifica e rimuove neuroni ridondanti preservando al contempo la precisione predittiva della rete. Dopo la compressione, il team ha applicato una quantizzazione a 8 bit usando Fixed-Point Designer, per convertire pesi e attivazioni rimanenti da numeri in virgola mobile a 32 bit a numeri interi a 8 bit. Successivamente, Embedded Coder ha generato codice C/C++ a partire dal modello compresso e quantizzato per la distribuzione sull’ECU.

Risultato: il sensore virtuale ha ridotto l’errore assoluto medio del 50% rispetto al modello precedente basato sulla fisica, aumentando l’uso della RAM solo dell’1% sull’ECU target. Il modello viene interamente eseguito a bordo senza necessità di connessione al Cloud.

Mercedes-Benz: conversione automatizzata in virgola fissa per i sensori virtuali dei motopropulsori

Mercedes-Benz ha distribuito una rete neurale profonda per stimare la pressione all’interno dei cilindri direttamente sull’ECU di un motopropulsore di produzione, un microcontroller che non supporta le operazioni in virgola mobile né i framework di Deep Learning standard. Il team ha addestrato una LSTM quantizzata con la libreria QKeras in Python, per poi importare la rete in MATLAB usando Deep Learning Toolbox. Fixed-Point Designer ha convertito il modello da rappresentazione in virgola mobile a virgola fissa, poi il team ha verificato l’accuratezza in Simulink prima di passare all’integrazione su ECU.

Il workflow automatizzato ha velocizzato i tempi di sviluppo del 600% rispetto al precedente processo di conversione manuale in virgola fissa, il quale richiedeva settimane di lavoro ed era soggetto a errori di trascrizione. La pipeline è stata adattata a due diversi controller di motopropulsore ed è stata estesa a ulteriori architetture di reti neurali, tra cui GRU e reti completamente connesse.

Conclusione

Le tecniche descritte in questo articolo (modelli di ordine ridotto, identificazione di sistemi, sensori virtuali, Reinforcement Learning e rilevamento di anomalie) si integrano nella progettazione Model-Based dalla modellazione dell’impianto, passando per la progettazione dei controlli fino alla distribuzione. Gli ingegneri possono addestrare i modelli di IA direttamente in MATLAB e Simulink oppure importare reti addestrate in TensorFlow, PyTorch e in altri framework open-source. Indipendentemente da dove ha origine il modello, MATLAB e Simulink mettono a disposizione un workflow unificato per la compressione del modello, la verifica e la generazione di codice su ECU di produzione.

I case study contenuti nel presente articolo dimostrano che l’IA per lo sviluppo di veicoli elettrici sta già passando ai programmi di produzione. I team hanno ottenuto accelerazioni delle simulazioni a 800x, workflow di distribuzione più rapidi del 600% e strategie di controllo con prestazioni migliori rispetto alla calibrazione manuale. Questi risultati sono accessibili nell’ambito dei workflow esistenti per gli ingegneri che usano la progettazione Model-Based, con un percorso chiaro che va dal modello addestrato a codice verificato e distribuito.