De huidige MotoGP-motoren zijn bijzonder complex. Dat geldt natuurlijk voor het motorblok en geavanceerde elektronica als traction control, anti-wheelie en engine brake, maar ook aan de oppervlakte is dat nu zichtbaar door de aerodynamica. De afgelopen jaren zijn er steeds meer vleugeltjes en vinnetjes toegevoegd aan de motoren om meer downforce en grip te genereren. Maar naast deze ontwikkelingen in de fabriek worden ook op het circuit nog verbeteringen doorgevoerd aan de motoren. De hoofdrol is hierbij weggelegd voor sensoren, data en tegenwoordig ook artificial intelligence, zo blijkt bij een rondleiding bij Ducati Lenovo Team in Assen.
Het doorvoeren van verbeteringen begint met simulaties. "Daarna gaan we de baan op en doen we experimenten. De vergaarde data analyseren we en proberen we te correleren", legt Nicolò Mancinelli, vehicle development manager bij Ducati Lenovo Team, uit aan onder meer Motorsport.com. Vaak moeten daarna nieuwe simulaties uitgevoerd worden in de remote garage, iets waar Ducati sinds de coronapandemie in 2020 mee werkt. "Simuleren betekent dat je fysieke modellen laat lopen die voorspellen hoe de motor zich gedraagt als je bepaalde parameters aanpast. Dat kunnen geometrische parameters zijn, de veren van de vering, of aerodynamische en elektronische instellingen."
De motorfietsen van Ducati zijn tijdens raceweekenden voorzien van zo'n dertig tot veertig sensoren die verschillende belangrijke prestatie-indicatoren meten. De informatie die deze sensoren over fysieke eigenschappen vergaren, kan het fabrieksteam door de samenwerking met technologiebedrijf Lenovo omzetten in zo'n duizend virtuele sensoren. Daarmee worden parameters ingeschat die normaal gesproken niet rechtstreeks gemeten worden. Het zorgt voor een enorme hoeveelheid vergaarde data: ieder raceweekend moeten de engineers van Ducati Lenovo Team en satellietteams VR46 Racing en Gresini Racing zo'n 100 gigabyte aan data zien te verwerken.
Sinds 2020 werkt Ducati ook met een remote garage, waar het team op de baan ondersteund wordt.
Foto door: Alex Farinelli
"Die data analyseren we en we proberen te begrijpen of de ene oplossing beter is dan de andere, maar ook of we verder moeten simuleren. Dit is een soort eindeloze herhaling", vervolgt Mancinelli, die benadrukt dat het hierbij vooral om vergelijkingen van verschillende afstellingen gaat. Bij het oplossen van problemen tijdens sessies gaat dat door de tijdsdruk iets anders. "In dit geval proberen we het probleem te analyseren en te achterhalen of we hier al ervaring mee hebben. Als we dat niet hebben, proberen we het te reproduceren in de simulatie om daarmee binnen de beperkte tijd een betere oplossing te vinden."
Die klus wordt enigszins bemoeilijkt door het feit dat MotoGP-teams niet beschikken over live telemetrie, zoals in de Formule 1 wel het geval is. In plaats daarvan wordt er een ethernet-kabel in de motorfiets geplugd bij terugkeer in de pits om de vergaarde data meteen uit te lezen. Wel krijgen de data-analisten van Ducati Lenovo Team tegenwoordig hulp van AI bij het analyseren, iets waar het team zo'n vijf jaar geleden mee is begonnen. "Zodra je iets meet, heb je een tijdlijn van meerdere uren waarin de motor rondjes rijdt en waarin we fysieke variabelen meten", zegt Mancinelli. "Wat je uiteindelijk wilt doen, is de grote hoeveelheid data in korte tijd samenvatten met KPI's of een dashboard om de juiste informatie te geven voor het afstellen van de motor of het opstellen van informatie voor de rijders."
Daarbij past Ducati Lenovo Team een hybridevorm van machine learning toe, zeker met betrekking tot de informatie die van de eerder genoemde virtuele sensoren komt. "Het is vaak betrouwbaarder als je iets kunt simuleren met een fysiek systeem. Andere gevallen, bijvoorbeeld bij complexe systemen zoals de rijder of videogegevens, zijn rijk aan data, maar niet nauwkeurig genoeg om effectief te zijn. In dat geval werken machine learning en AI heel goed", verklaart Mancinelli. "Zelfs bij de videoverwerking hebben we een enorme stap gezet qua uitvoering. Met klassieke algoritmen lukte dat niet. Je hebt uren aan opnames van rijders die één bocht nemen en je moet segmenteren om te herkennen wie de rijder is en wat de ideale lijn is. In dit geval wordt machine learning veel gebruikt."
Als vehicle development manager is Nicolò Mancinelli nauw betrokken bij de integratie van data en AI.
Foto door: Alex Farinelli
De videoverwerking waar Mancinelli op wijst, heeft dus te maken met de rijders. Ducati Lenovo Team stuurt ieder raceweekend een video-analist naar bepaalde bochten op het circuit toe om beelden te maken. De focus ligt daarbij dus vooral op de zes rijders die voor de drie Ducati-teams uitkomen en de verschillende lijnen die ze door een bocht rijden. Deze beelden worden vervolgens over elkaar heen gelegd, waarna de rijders - in het geval van Ducati meervoudig wereldkampioenen Marc Márquez en Francesco Bagnaia - in de engineering truck op het circuit kunnen kijken naar de onderlinge verschillen qua rijstijl en gekozen lijn.
Deze video-analyse kan ook gekoppeld worden aan de data die de motorfiets op het asfalt vergaard heeft. Op die manier kan voor de rijders inzichtelijk gemaakt worden op welke fronten ze zich kunnen verbeteren. Het laat zien dat de relatie tussen de moderne technologie en de rijders vooral in het afgelopen decennium enorm is veranderd. "Tien jaar geleden kregen de rijders wel wat feedback en gaven ze zelf feedback, maar dat was niet gerelateerd aan data", stelt Mancinelli. "Ze praatten alleen over een falende motorfiets die instabiel was in de bochten, maar deze uitspraken van de rijders werden niet kruislings gecheckt met de data."
"In de laatste jaren hebben we hard gepusht om de feedback van de rijders objectief te maken door ze te koppelen aan getallen uit de data. Dit is een van de belangrijkste aspecten en helpt ons om meer kennis te vergaren, zodat je beter kunt begrijpen hoe het systeem presteert. We zijn engineers met getallen. Als je mij vertelt dat je geen gevoel hebt en ik geen cijfers kan aanwijzen die daarvoor verantwoordelijk zijn, dan is het moeilijk om dat te vertalen naar iets wat hem kan helpen. Als je het in cijfers kunt vertalen, dan helpt dat enorm. En het helpt nog meer als je de fysica begrijpt. We zetten dus veel meer in om de gegevens te verwerken tijdens het extraheren van informatie en we werken samen met de rijders."
De data-analisten van Ducati kunnen de rijders met data ook wijzen op verbeterpunten.
Foto door: Alex Farinelli
In de huidige situatie bij Ducati Lenovo Team is het dus niet zo dat de rijders alleen feedback geven over hun motorfiets, maar omgekeerd kunnen zij via de data ook te weten komen waar ze zelf ruimte voor verbetering hebben gelaten. "Dat kan best confronterend zijn", erkent Mancinelli, die ziet dat niet iedere rijder hier even goed mee kan leven. Daarom is de manier van communiceren van groot belang. "Als rijder heb je geen achtergrond met het lezen van pagina's met gegevens of grafische informatie. We werken dus ook uit hoe we het kunnen presenteren, want voor ons is het moeilijk om te begrijpen wat hun gevoelens zijn tijdens het rijden."
"Voor hen is het moeilijk te begrijpen wat je wil doen of zeggen als je cijfers met signalen of iets dergelijks ziet", vervolgt Mancinelli. Er wordt om die reden intensief samengewerkt met de rijders om de beste manier te vinden om de informatie op een grafische manier door te geven. Dat werkt goed en zorgt soms zelfs voor verbazing bij de engineers. "Als ze zich hebben aangepast, zijn ze echt efficiënt. Ze zijn getraind om met hun ogen te werken en heel nauwkeurig te zijn in alles wat ze doen. Ze kunnen echt kleine details opmerken en soms presenteren ze die zelfs in grafieken of iets dergelijks, of ze merken op dat ze iets anders doen dan de andere rijders."
Het bewijst dat data en AI tegenwoordig niet meer weg te denken zijn uit de MotoGP. Zonder deze facetten is winnen schier onmogelijk geworden, weet ook Mancinelli. Toch moeten rijders niet bang zijn dat data helemaal leidend worden als er een verschil is tussen hun gevoel en de data. "Je kunt ze niet dwingen om iets te doen waarvan ze niet overtuigd zijn, want uiteindelijk zitten ze op de motor en moeten ze presteren. Ze moeten ook vertrouwen hebben in de motor", aldus Mancinelli. "We drukken dus geen dingen door, maar we proberen wel wat te veranderen. Er kunnen verschillende redenen zijn voor conflicten. We proberen altijd wat te wijzigen en een oplossing te vinden, maar we drukken niets door. Dat is niet productief."
Source: Motorsport