Как ИИ и Машинное обучение движут будущее Формулы 1
15 июля 2025 г.Формула 1 всегда работала на пересечении инженерии и инноваций. В последние годы это инновации расширились до искусственного интеллекта и машинного обучения.
От стратегии шин до аэродинамического дизайна, эти технологии меняют то, как команды планируют, реагируют и развиваются. Они не заменяют человеческих лиц, принимающих решения, но они изменяют инструменты, используемые для конкуренции.
Стратегическое моделирование с обучением подкрепления
Расовая стратегия традиционно опиралась на человеческое знание и базовое моделирование. В последние годы ИИ начал играть большую роль в этом процессе принятия решений.
Модель называетсяСтратегия расовой стратегии обучение (RSRL)был оценен с использованием моделирования Гран -при Бахрейна 2023 года. В этом тесте RSRL сравнивался непосредственно с традиционным подходом Монте -Карло, более упрощенного, на основе камня. Результат: RSRL выбрал в среднем более эффективные стратегии шин и дал более последовательные результаты в течение повторного моделирования.
Решения модели также были объяснены. Он обеспечивал прозрачные рассуждения для каждого выбора, используя контрфактуальные и логику-решающего применения, помогая инженерам понять не только результат, но и логика.
Прогнозирование пит -стопа и анализ износа шин
Разрушение шин и время ямы имеют решающее значение для успеха гонки. Чтобы повысить точность в этой области, исследователи разработали модель под названием Ednn. Обученная на телеметрии из сезонов 2015–2022 годов, модель предсказывает, когда водители должны ямы, и как износ шин будет развиваться в зависимости от условий гонки.
Кроме того, используется отдельный проектНейронные сети LSTM и GRUОценить уровень энергии шин в режиме реального времени. Это позволяет командам прогнозировать сцепление, деградацию и риск переоценки шин в изменяющихся условиях, включая периоды безопасности автомобилей.
Обе модели обеспечивают более быстрые, управляемые данными стратегические вызовы во время живых гонок, особенно когда возникают непредсказуемые элементы.
Моделирование взаимодействий с драйверами с использованием теории игр
Формула 1 не статичный вид спорта. Движение одного водителя влияет на все поле. Позиционирование, использование энергии и защитные действия все взаимозависимы.
Исследование 2024 года изучало эту сложность с использованиемМногоагентное обучение подкреплениюПолем Модель включала теорию игр, включая модели равновесия Нэша и Степельберга, для моделирования взаимодействия между драйверами.
Вместо того, чтобы анализировать лучшую линию или окно ямы одного автомобиля, система оценила, как каждый конкурент может отреагировать на решения чужой. Это создало динамичную модель, которая более внимательно отражала реальное поведение гонки.
Эти инструменты могут в конечном итоге проинформировать о планировании стратегии в реальном времени или помогать проектировать прогнозные моделирования, используемые в районе.
Оценка производительности драйвера более объективно
Производительность драйвера является одним из наиболее обсуждаемых аспектов формулы 1. Различия в качестве автомобиля, бюджетов команд и отслеживания условий затрудняют оценку водителей на равных терминах.
Чтобы решить эту проблему, исследователи подали заявкуАнализ основных компонентов (PCA)Данные о гонках с 2015 по 2019 год. Цель состояла в том, чтобы изолировать переменные, наиболее тесно связанные с индивидуальными навыками драйвера, такими как последовательность в квалификации, сохранение шин и производительность в изменяющихся условиях.
Этот подход, основанный на данныхНил Мартин, который принес симуляцию и вероятностное моделирование в спорт во время своего времени с McLaren и Ferrari.
Машинное обучение в дизайне автомобилей и аэродинамике
Автомобили Формулы 1 генерируют огромные объемы данных. По данным Financial Times, каждый автомобиль обычно имеет более 300 датчиков и передает более миллиона точек данных в секунду.
Эти данные питаются непосредственно в аэродинамическое развитие. В настоящее время команды используют моделирование CFD CFD (вычислительная динамика жидкости), чтобы проверить тысячи конфигураций без создания физических прототипов. Эти модели машинного обучения идентифицируют неэффективность воздушного потока и помогают инженерам оптимизировать конструкции в более коротких циклах разработки.
Машинное обучение также играет роль в технологии, ориентированной на фанаты. Прогнозы в режиме реального времени, включая вероятность обостизания, жизнь шин и сравнение темпов, теперь интегрируются в живые трансляции с использованием платформ AWS Analytics, управляемых AI.
Будущие события и генеративный дизайн
Исследования в области искусственного интеллекта и автоспорта продолжают расширяться в новые области. В Университете Болоньи команда разрабатывает модели мультиагентных подкрепления для имитации полных сценариев гонки. К ним относятся все драйверы, внешние переменные, такие как погода, и в горе события, такие как пит-стопы и автомобили безопасности.
В пространстве дизайна инженеры начинают применять архитектуры, основанные на трансформаторах, как и те, которые используются в моделях крупных языков, для создания новых компонентов автомобиля. Одним из примеров является использованиеВнимание - это все, что вам нужно-Сильские модели для изучения альтернативной геометрии заднего крыла и решений воздушного потока.
В операциях команды принимают гибридные системы ИИ. Согласно этому тематическому исследованию, эти модели помогают инженерам -гонкам, фильтруя телеметрию, прогнозируя риски гонки и всплыв в действие в режиме реального времени.
ИИ и ограничение затрат: оптимизация производительности в пределах
С 2021 года Формула 1 работает подСтоимость ограничения, представлено для того, чтобы сделать спорт более устойчивым и конкурентоспособным. Поскольку годовые бюджеты в настоящее время ограничиваются около 107 миллионов фунтов стерлингов и увеличиваются до 170 миллионов фунтов стерлингов к 2026 году, команды должны быть более избирательными с тем, как они тратят и развиваются.
Команды используютмашинное обучениеуменьшить отходы в аэродинамической разработке. Вместо физического строительства и тестирования сотни компонентов модели CFD с AI имитируют тысячи вариаций в цифровом виде и определяют наиболее перспективные конструкции.
Процессы производства также улучшаются. В композитном производстве,автоматическое размещение волокнаВ настоящее время подтверждается прогнозирующими алгоритмами, которые регулируют такие переменные, как давление, температура и скорость укладки, чтобы минимизировать отходы материала и улучшить консистенцию.
В операциях и финансах применяются командыИИ-управляемые инструменты планированияЧтобы проверить различные бюджетные сценарии. Эти симуляции помогают руководить тем, как ресурсы распределяются по исследованиям, разработкам, логистике и персоналу, оставаясь в соответствии с правилами FIA.
Макларенуже принял ИИ и облачные системы для оптимизации всего, от проектирования до расовых операций. В соответствии сРейтерДругие команды также заменяют физические датчики и тесты виртуальными симуляциями, чтобы сэкономить время и снизить затраты.
Заключение
Искусственный интеллект меняет то, как команды Формулы 1 готовит, конкурируют и развиваются. От имитации рас, до проектирования деталей и прогнозирования износа шин, машинное обучение становится частью основной инфраструктуры спорта.
Эти инструменты не заменяют человеческое суждение, но улучшают его.
Стратегические звонки остаются в руках инженеров.
Идеи разработки по -прежнему приходят от дизайнеров.
Но все чаще ИИ - это система, поддерживающая каждое решение. Формула 1 всегда развивалась с помощью технологий. Сегодня эта эволюция ускоряется, и ИИ играет центральную роль в том, где она идет дальше.
Оригинал