Az előző cikkünkben bemutattuk, hogyan született meg az ELTE részvételével zajló, több kutatóhelyet összefogó együttműködésben egy gumiabroncsba építhető, a korábbi megoldások hiányosságaira választ adó piezorezisztív erőmérő szenzor. Ez önmagában is figyelemre méltó technológiai eredmény, ám az érzékelés itt még nem ér véget. Érzékelni ugyanis nemcsak annyit jelent, hogy van egy megfelelő érzékszervünk, hanem azt is, hogy az abból érkező jeleket értelmezni tudjuk. Ahogy az élőlények esetében az idegrendszer ad értelmezést a külvilágból érkező ingereknek, úgy az okos gumiabroncs lelke is egy intelligens rendszer, amely a szenzorból érkező jelekből tudást képes formálni. Ez a rendszer teszi lehetővé, hogy a jármű valóban felismerje például azt, hogy sima aszfalton, kátyús úton vagy éppen jeges felületen halad. A nyers adatokból előállított értelmezhető információt a jelfeldolgozás és a mesterséges intelligencia (MI) különleges ötvözete teremti meg, amelyet az ELTE Numerikus Analízis Tanszékén működő Jelek és Rendszerek Kutatócsoport kutatói fejlesztettek ki.

Szívritmuszavartól a kátyúkig

Az ELTE kutatóinak munkája eredetileg orvosi jelek elemzéséből indult. A laborban olyan algoritmusokat fejlesztettek, amelyek képesek az EKG görbékből (az emberi szív elektromos jeleiből) felismerni a rendellenes szívdobbanásokat. Ezek a jelek nagyjából periodikusak, a kóros és a normális jelminták közötti különbségek pedig gyakran csak nagyon apró, árnyalatnyi eltérésekben mutatkoznak meg, a diagnózis kulcsa viszont ezek felismerése.

Amikor a kutatók kézbe vették a gumiabroncsba épített erőmérő szenzor adatait, meglepő hasonlóságot tapasztaltak: a kerék szintén periódikus jeleket produkál, az ismétlődő hullámformák pedig megszólalásig hasonlítanak az EKG jelekre. A sima aszfalt „szabályos szívdobogásnak” tűnt, míg a kátyú olyan volt, mint egy szabálytalan szívütés az EKG-ban. Innen jött az ötlet: miért ne alkalmaznák azokat a matematikai és mesterséges intelligencia módszereket a közlekedés világában is, amelyek korábban már beváltak a szív elektromos jeleinek elemzésében?

Hermite-függvények, avagy a jelek hangszerkészlete

A feldolgozás első lépése, hogy a bonyolult jelet egyszerűbb, jól leírható mintákra bontsuk. Erre a kutatók úgynevezett Hermite-függvényeket használnak – ezek speciális matematikai görbék, amelyek meglepően jól illeszkednek mind az EKG hullámokhoz, mind a kerékszenzor által felvett jelekhez. Olyan ez, mintha egy zeneművet néhány alaphangból próbálnánk újraépíteni: a Hermite-függvényekből álló „hangszerkészlet” képes a jel sima, szabályos részét visszaadni, miközben minden rendellenesség – szívritmuszavar vagy kátyú – kiemelkedik a maradék zajban. Ez a maradék (szaknyelven reziduum) hordozza azokat az apró eltéréseket, amelyek alapján megkülönböztethetjük a normális és az abnormális helyzeteket.

A jelek Hermite-komponensekre bontása után a kategorizáció többféle módon is folytatható: 

• Egyszerű szabályok alapján: például, ha a maradék jel túl zajos, az út valószínűleg rossz minőségű. Ez meglepően hatékony és könnyen megvalósítható akár egyszerű fedélzeti elektronikán is.
• Tanuló neurális hálózat segítségével: A kutatók egy különleges gépi tanuló neurális architektúrát, a Variable Projection Network (VP-NET) alkalmazták, amelynek első rétege közvetlenül a Hermite-féle jelátalakítást, azaz lényegében a reprezentációt végzi, második része pedig a kategorizációt. A két alháló paramétereit (súlyait) viszont nem külön-külön, hanem egyszerre optimalizálják a kutatók. Ez azért fontos, mert így a jel felbontása mindig a feladathoz (pl. úthibák felismeréséhez) igazodik, és a tanulás során a rendszer a legjobb reprezentációt választja ki az adott problémára a Hermite-függvénycsaládon belül.

A kapott jelek feldolgozásának kihívásai nem elhanyagolhatók: az erőmérő szenzor a védőburkolat miatt nemlineárisan torzít, ahogy arra korábbi cikkünkben már kitértünk. A jelek dekódolását egy szinte mindent tanulni képes nagy neuronhálózat mélytanulással el tudna végezni, ha sok tanuló adatot kapna, de ez nagyon erőforrás-igényes, ami ellentmond a piaci megvalósíthatóságnak – például a valós idejű feldolgozásnak és a szabványos beágyazott hardveren futtatható egyszerűbb algoritmusoknak. A fenti modell-vezérelt megoldás azonban leegyszerűsíti a tanulást azáltal, hogy olyan menetdinamikai jellemzőket és simasági feltételeket épít be az AI modell struktúrájába a Hermite-függvénycsalád által, ami a teljesítmény megőrzése mellett jelentősen csökkenti a neuronhálózat méretét, ami végül egy szabványos STM32 F401RE mikrokontrolleren implementálható lett.

Ez a modell-vezérelt megközelítés több előnyt is kínál: 

• Kisebb és erőforrástakarékos: nagyságrendekkel kevesebb paraméterrel dolgozik, mint a „klasszikus” mély hálók.
• Gyorsabban tanítható: kevesebb adat is elegendő, ami különösen fontos, ha nincs rengeteg adat tesztvezetésekből.
• Értelmezhetőbb: a Hermite-komponensek révén az ember is követni tudja, milyen jellemzőkből hoz döntést a háló, ráadásul a komponensek bizonyos jellemzői valós fizikai mennyiségekhez köthetők, például a jel szélességéből az átlagsebesség származtatható.
• Valós idejű működés: olyan kis számításigényű, hogy futtatható akár egy fedélzeti beágyazott egységen (például egy modern autókban is használt NVIDIA Jetson Nano-n, vagy akár egyszerűbb mikrokontroller-alapú rendszeren is).

Forradalmi előnyök a biztonság és fenntarthatóság jegyében

Egy ilyen rendszer többféle előnyt kínálhat:  

• Biztonság: az autónak valós időben jelezheti, ha veszélyes útfelülethez érkezett, így időben alkalmazkodik a csúszós vagy rossz minőségű utakhoz.
• Fenntarthatóság: a jármű optimalizálhatja sebességét és fékezését az útviszonyokhoz, ezzel növelve a jármű élettartamát, csökkentve a kopást, a fogyasztást.
• Közösségi érdek: a szenzor megosztott adatai az infrastruktúra karbantartását is segíthetik, hiszen az adatok alapján automatikusan feltérképezhetők a városi úthibák, így gyorsabb javítást lehetővé téve az útfenntartóknak.
• Autonóm járművek fejlődése: az intelligens szenzorok alapvető szerepet játszanak az önvezető technológiákban, ahol az út érzékelése kulcsfontosságú a döntéshozatalhoz.

Budapesten végzett városi tesztek során – ahol a tesztautó új aszfalton és kátyús betonúton is végighaladt – a neurális algoritmus 97%-os pontossággal ismerte fel az úthibákat, ami az analitikus megközelítéshez képest négy százalékponttal jobb eredmény. Ráadásul a betanított neuronhálózat különböző környezeti tényezők és üzemeltetési feltételek (hőmérséklet, páratartalom, sebesség) mellett is képes volt az úttípus becslésre anélkül, hogy az osztályozó modell újratanítására lett volna szükség.

Ennek a fejlesztésnek az elismerése nemzetközi tudományos körökben is megmutatkozott, a fejlesztés bemutatása Best Poster Award díjat nyert az Eurosensors 2023 konferencián. Összefoglalva, elmondhatjuk, hogy ez az okos gumiabroncs nemcsak a jármű „új érzékszerve”, hanem egy olyan adatforrás, amelyből értékes tudást tudunk kinyerni kis méretű mesterséges neuronhálózatokkal. A módszerek, amelyek egykor az emberi szívdobbanások apró rendellenességeit keresték, ma a közlekedés biztonságát szolgálják. És ki tudja, milyen alkalmazási területen találnak még hasonló jeleket a kutatók, így építve hidakat az orvoslás, a mérnöki tudományok és a mesterséges intelligencia között?

Cikksorozatunk további részei elérhetők „A gépi érzékelés csodája. A szenzorok és ami mögöttük van.” című tudománykommunikációs program honlapjáról.

Kapcsolódó tudományos publikációk

☞ Dózsa et al. 2022: Road abnormality detection using piezoresistive force sensors and adaptive signal models
☞ Dózsa et al. 2023: Towards intelligent tire development
☞ Dózsa et al. 2024: Road type classification using time-frequency representations of tire sensor signals