Una "grinta" da imparare: Red Bull Advanced Technologies usa OCI per testare l'AI per le future star delle corse

Per fare il salto di qualità nel motorsport, i piloti emergenti hanno bisogno di molto più dell'energia e della concentrazione tipiche di un atleta.

"Cerchiamo quella che definirei la 'grinta da vittoria', ovvero quel desiderio ardente di imparare e di migliorare sempre più ogni volta che si scende in pista", afferma Guillaume Rocquelin, che allena e prepara i giovani piloti in qualità di responsabile della Driver Academy della Red Bull.

"Si tratta di un interesse molto forte per qualsiasi tipo di dati e analisi che possiamo fornire ai piloti per migliorare", spiega Rocquelin. "Questo è l'atteggiamento chiave a cui prestiamo attenzione. Ciò non si traduce sempre in abilità fisiche, ma è un buon punto di partenza".

Nessuno sa cosa serve per fare il salto di qualità ai massimi livelli meglio di Rocquelin, che è stato ingegnere di gara con il quattro volte campione del mondo di Formula 1 Sebastian Vettel prima di diventare responsabile dell'ingegneria di gara e poi assumere il suo ruolo attuale. Red Bull Driver Academy è uno dei migliori programmi di allenamento per lo sport: 7 dei 20 piloti attualmente in pista in F1 hanno completato questo programma.

Rocquelin ha individuato aree di miglioramento negli strumenti di preparazione a disposizione degli allenatori come lui. Mentre i promettenti giovani piloti devono essere studenti appassionati, un allenatore ha modi molto limitati per mostrare esattamente perché un pilota va più veloce di un altro. Quando esattamente un pilota ha frenato, accelerato o scalato marcia? Quale angolazione ha preso in entrata e in uscita da una curva? Un pilota può solo osservare e cercare di replicare ciò che vede in qualcuno che va più veloce di lui.

Red Bull Advanced Technologies, che applica l'ingegneria ad alte prestazioni alle corse automobilistiche e cerca di utilizzarla in altri settori, sta affrontando la sfida di creare strumenti migliori per la formazione dei giovani piloti. Gli ingegneri di Red Bull Advanced Technologies stanno collaborando con gli esperti di data science di Oracle per esplorare come machine learning, cloud computing e visualizzazione dei dati possano interagire per creare un'esperienza di allenamento più efficace per questi atleti, sempre più interessati ai dati.

"In qualsiasi tipo di ambiente di allenamento, gli strumenti rappresentano solo l'inizio del percorso e una qualità superiore degli strumenti porterà a un livello superiore di formazione", afferma Rocquelin.

In qualsiasi tipo di ambiente di allenamento, gli strumenti rappresentano solo l'inizio del percorso e una qualità superiore degli strumenti porterà a un livello superiore di formazione.

Guillaume Rocquelin Head of Red Bull Driver Academy

Il team di data science di Oracle sta utilizzando Oracle Cloud Infrastructure (OCI) per perfezionare gli algoritmi usati nelle auto a guida autonoma, noti come algoritmi di localizzazione e mappatura simultanea o SLAM, e applicarli all'analisi dei video di gara, inizialmente provenienti dai piloti del team Esport. Una volta completato il processo, il team prevede di poter inserire il video della sessione di un pilota in un'applicazione, eseguire analisi di machine learning su tali filmati e ricavare nuove informazioni su come migliorare i tempi sul giro.

Lo strumento è ancora in fase di sviluppo iniziale. I data scientist di Oracle hanno dovuto affrontare una sfida, ad esempio, quando hanno applicato gli algoritmi per le auto a guida autonoma alle auto da corsa invece che a una berlina standard. "Le leggi della fisica sono molto diverse quando si tratta di corse automobilistiche", afferma Jigar Mody, vicepresidente dei servizi di intelligenza artificiale di Oracle. Ecco come OCI sta aiutando i team ad affrontare una sfida irrisolta dell'AI.

Per iniziare, Red Bull Advanced Technologies ha fornito al team di data science di Oracle un video tratto dai suoi simulatori Esport per l'analisi e il team di Oracle ha applicato gli algoritmi SLAM per valutare la posizione di un'auto in pista. Speravano che l'output avrebbe fornito la base dei dati necessari per l'analisi.

Il problema: quando il team ha applicato per la prima volta SLAM ai video di gara, la posizione prevista era imprecisa di mezzo chilometro. Questi algoritmi non erano stati sviluppati per veicoli che si muovono a una velocità massima tipica di 320 km/h (200 mph) e che possono rimanere su strada mentre sviluppano un'accelerazione laterale di 5 G in curva. Per i sistemi di analisi dei dati da loro concepiti era necessario un modello di intelligenza artificiale preciso, quindi i data scientist di Oracle si sono messi al lavoro per perfezionare il modello.

Tale precisione è fondamentale. "I piloti sono molto precisi nella guida, quindi una precisione di posizione di 20 centimetri è assolutamente essenziale affinché gli algoritmi siano utili", afferma Alberto Polleri, Oracle Chief Data Scientist ed esperto di intelligenza artificiale alla guida del progetto. "Per gli angoli di pochissimi gradi che descrivono la direzione dell'auto, la precisione deve essere inferiore a un singolo grado".

Il team di data science di Oracle utilizza in modo intenso le unità di elaborazione grafica (GPU) OCI come potenza di calcolo on-demand per supportare gli elevati carichi di elaborazione utilizzati nell'addestramento e nei test di intelligenza artificiale. Il team inserisce video in OCI, quindi utilizza le reti neurali convoluzionali (CNN) e le reti neurali ricorrenti (RNN) per elaborare le immagini; in seguito usa OCI per testare vari parametri e adattare il modello di intelligenza artificiale, verificando la corrispondenza dei risultati con la realtà.

Questo processo di adattamento del modello è la parte più impegnativa dal punto di vista di calcolo, quindi disporre di capacità di calcolo come risorsa cloud variabile e on-demand su OCI è essenziale. Alcuni modelli potrebbero richiedere giorni di esecuzione. A volte il team avvia un test e si accorge che non migliora il modello quindi lo interrompe, oppure esegue modelli diversi in parallelo. "Eseguiamo centinaia di esperimenti al mese, ognuno dei quali richiede diversi giorni", spiega Polleri.

Implementazione tecnica su OCI

Ecco in che modo i dati fluiscono attraverso l'architettura su OCI:

Tutto inizia con l'inserimento di un filmato in OCI.

I dati vengono quindi convogliati verso tre pipeline parallele, o flussi di lavoro, per valutare l'odometria visiva (velocità e orientamento dell'auto), la posizione in pista e i comandi dell'auto (volante e ruote). Questi tre flussi di lavoro utilizzano in modo ampio la capacità di calcolo OCI, incluse le GPU.

Una volta perfezionati i modelli di intelligenza artificiale, Red Bull Advanced Technologies spera di avere uno strumento da eseguire su OCI che consenta di inserire video e ottenere un'analisi approfondita sulle differenze su ciò che un pilota ha fatto di diverso tra un giro e l'altro, oppure su cosa un pilota fa di diverso rispetto a un altro pilota.

Questo tipo di ricerca algoritmica potrebbe rivelarsi preziosa anche in applicazioni che vanno oltre il mondo delle corse automobilistiche, in settori come la robotica e i veicoli a guida autonoma, in qualsiasi applicazione in cui sia utile prevedere il prossimo movimento di un oggetto. Sebbene la maggior parte dei casi d'uso non riguardi la velocità di 320 km/h di un'auto da corsa, questi perfezionamenti apportati alle corse automobilistiche dovrebbero essere utili anche a velocità più comuni. "La tecnologia che funziona bene ad alta velocità si rivela fenomenale a velocità inferiori", afferma Mody di Oracle.

Vedi altri articoli su Oracle Connect