Een 'rage' om te leren: Red Bull Advanced Technologies gebruikt OCI om AI te testen voor toekomstige F1-sterren

Om de sprong naar het toppunt van de autosport te maken, hebben aankomende coureurs veel meer nodig dan de intensiteit en focus van een typische atleet.

"We zoeken naar wat ik de 'rage to master' zou noemen, wat het brandende verlangen is om te leren en beter te zijn de volgende keer dat ze over het circuit rijden," zegt Guillaume Rocquelin, die jonge coureurs coacht en ontwikkelt als het hoofd van de Driver Academy van Red Bull.

"Het betekent erg, erg hongerig zijn naar elke vorm van data en analyse die we hen kunnen bieden," zegt Rocquelin. "Dat is de belangrijkste houding die we zoeken. Nu vertaalt dat zich niet altijd in fysiek vermogen, maar dat is het uitgangspunt."

Niemand weet meer over het maken van die sprong naar het hoogste niveau van racen dan Rocquelin, die de race engineer was van viervoudig F1-wereldkampioen Sebastian Vettel voordat hij hoofd werd van race-engineering en vervolgens overstapte naar zijn huidige rol. De Red Bull Driver Academy is een van de beste opleidingsprogramma's van de sport - 7 van de 20 coureurs van de huidige F1-grid zijn afkomstig uit het programma.

Rocquelin heeft gebieden voor ontwikkeling gezien in de leermiddelen die coaches zoals hij hebben. Terwijl talentvolle jonge coureurs vraatzuchtige leerlingen moeten zijn, heeft een coach zeer beperkte manieren om precies te laten zien waarom de ene coureur sneller gaat dan de andere. Precies wanneer remde, accelereerde of schakelde een coureur? Welke hoek namen bij het aansnijden van een bocht? Een coureur kan alleen kijken en proberen te repliceren wat ze zien bij iemand die sneller gaat.

Red Bull Advanced Technologies, dat high-performance engineering toepast op autoracen en zoekt naar gebruik van die technologie in andere industrieën, werkt aan deze uitdaging om betere jonge trainingstools voor coureurs te creëren. Engineers van Red Bull Advanced Technologies werken samen met data science-experts van Oracle om te onderzoeken hoe machine learning, cloudcomputing en datavisualisatie kunnen samenwerken om een waardevollere trainingservaring te creëren voor deze data-hongerige atleten.

"In elk type coaching-omgeving zijn de tools slechts het begin van het gesprek, en een hogere kwaliteit van de tool zal een hoger niveau van gesprek betekenen," zegt Rocquelin.

In elk type coaching-omgeving zijn de tools slechts het begin van het gesprek, en een hogere kwaliteit van de tool zal een hoger niveau van gesprek betekenen.

Guillaume Rocquelin Hoofd van de Red Bull Driver Academy

Het data science-team van Oracle gebruikt Oracle Cloud Infrastructure (OCI) om de algoritmen te verfijnen die worden gebruikt in zelfrijdende auto's, bekend als Simultaneous Localization And Mapping, of SLAM, en deze toe te passen op het analyseren van racevideo's, in eerste instantie van de esports-coureurs van het team. Als dat succesvol is, verwacht het team video's van een coureurssessie in een applicatie te kunnen invoeren, machine learning-analyses van die beelden uit te voeren en nieuwe inzichten te krijgen in hoe ze hun rondetijden kunnen verbeteren.

De tool bevindt zich nog in de vroege ontwikkelingsfase. De datawetenschappers van Oracle stuitten op een uitdaging, bijvoorbeeld toen ze de algoritmen voor zelfrijdende auto's toepasten op raceauto's in plaats van een gewone sedan. "De wetten van de natuurkunde zijn heel anders als het gaat om racen", zegt Jigar Mody, Vice President of Artificial Intelligence Services bij Oracle. Zo helpt OCI de teams bij het aanpakken van een onopgeloste AI-uitdaging.

Om aan de slag te gaan, gaf Red Bull Advanced Technologies het Oracle data science-team videobeelden van de esports-simulators voor analyse. Het Oracle team paste de SLAM-algoritmen toe om te beoordelen waar een auto zich op het circuit bevindt. Ze hoopten dat de output de basis zou vormen voor de data die nodig zijn voor analyse.

Het probleem: toen het team voor het eerst SLAM toepaste op racevideo's, was de voorspelde locatie een halve kilometer verkeerd. Deze algoritmen werden namelijk niet gebouwd om een voertuig te begrijpen dat beweegt bij typische topsnelheden van 320 km/h en op de weg kan blijven terwijl met een laterale versnelling van 5G een bocht wordt genomen. Er is een nauwkeurig AI-model nodig voor de data-analysesystemen die ze hadden ingericht, zodat de datawetenschappers van Oracle het model konden verfijnen.

Die precisie is belangrijk. "Ze zijn zeer nauwkeurig in hoe ze rijden, dus 20 centimeter positienauwkeurigheid is nodig om algoritmen nuttig te maken", zegt Dr. Alberto Polleri, Chief Data Scientist van Oracle en de AI-expert die het project begeleidt. "En voor de hoeken van zeer weinig graden die de richting van de auto beschrijven, moet het binnen minder dan één graad nauwkeurig zijn."

Het data science-team van Oracle maakt intensief gebruik van GPU's (Graphics Processor Units) als on-demand rekenkracht om de grote rekenkracht te ondersteunen die wordt gebruikt bij AI-modellering en -tests. Het team neemt video's op in OCI en gebruikt vervolgens convolutionele neurale netwerken (CNN's) en terugkerende neurale netwerken (RNN's) om de images te verwerken. Vervolgens gebruiken ze OCI om verschillende parameters te testen en aan het AI-model te voldoen, om te zien hoe goed de resultaten overeenkomen met de realiteit op het circuit.

Dit aanpassingsproces van het model is het meest computationeel intensieve onderdeel, dus het is essentieel om rekencapaciteit te hebben als een on-demand, variabele cloudresource in OCI. Bij sommige modellen kan het dagen voordat het model is voltooid. Soms zal het team een test starten en zien dat het model niet verbetert en het afsluiten, of ze kunnen verschillende modellen parallel uitvoeren. "We doen honderden experimenten per maand die elk meerdere dagen duren," legt Polleri uit.

Technische implementatie in OCI

Zo stroomt data door de architectuur in OCI:

Het begint met het toevoegen van videobeelden aan OCI.

Vervolgens stroomt de data naar drie parallelle pijpleidingen, of workflows, om de visuele odometrie (de snelheid en oriëntatie van de auto), de locatie op het circuit en de besturing van de auto (het stuur en de wielen) te beoordelen. Deze drie workflows maken gebruik van uitgebreide OCI Compute, inclusief GPU's.

Zodra de AI-modellen zijn verfijnd, hoopt Red Bull Advanced Technologies een tool in OCI te hebben waarmee het video kan invoeren en een diepgaande analyse kan maken van wat een coureur anders heeft gedaan, van ronde tot ronde, of wat de ene coureur anders doet dan de andere.

Dit soort algoritmeonderzoek kan ook waardevol blijken in toepassingen die verder gaan dan racen, op gebieden zoals robotica en autonome voertuigen - in elke toepassing waar het nuttig zou zijn om te voorspellen waar de volgende beweging van een object is. Hoewel de meeste gebruiksscenario's niet hoeven om te gaan met een tempo van 320 km/h van een F1-auto, moeten deze verfijningen die in het racen worden aangebracht ook helpen bij meer algemene snelheden. "Technologie die goed werkt bij hoge snelheden doet zijn werk fenomenaal bij lagere snelheden", zegt Mody van Oracle.

Meer Oracle Connect-artikelen bekijken