Como uno de los deportes más rápidos del mundo, casi todo es una carrera en Fórmula 1® (F1), incluso el pozo se detiene. Los conductores de F1 deben detenerse para cambiar los neumáticos o hacer reparaciones a daños sufridos durante una carrera. Cada décima de segundo de segundo, el auto está en el pozo, se pierde el tiempo en la carrera, lo que puede significar la diferencia entre hacer el podio o perderse los puntos de campeonato. Los equipos de boxes están capacitados para operar con una eficiencia óptima, aunque la medición de su rendimiento ha sido desafiante, hasta ahora. En esta publicación, compartimos cómo Amazon Web Services (AWS) está ayudando Scuderia Ferrari HP Desarrolle técnicas de análisis de parada en boxes más precisas utilizando el aprendizaje automático (ML).
Desafíos con el análisis de rendimiento de la parada de boxes
Históricamente, el análisis del rendimiento de la parada en boxes ha requerido que los ingenieros de operaciones de seguimiento revisen minuciosamente las horas de imágenes de las cámaras colocadas en la parte delantera y trasera del pozo, luego correlacionen el video con los datos de telemetría del automóvil. Para un fin de semana de carrera típico, los ingenieros reciben un promedio de 22 videos para 11 paradas en boxes (por conductor), que asciende a alrededor de 600 videos por temporada. Además de llevar mucho tiempo, revisar las imágenes manualmente es propensa a las inexactitudes. Desde que implementó la solución con AWS, los ingenieros de operaciones de seguimiento pueden sincronizar los datos hasta un 80% más rápido que los métodos manuales.
Modernización a través de la asociación con AWS
La asociación con AWS está ayudando a Scuderia Ferrari HP modernizar el desafiante proceso de análisis de parada en boxes, mediante el uso de la nube y la ML.
“Anteriormente, teníamos que analizar manualmente múltiples grabaciones de video y datos de telemetría por separado, lo que dificulta identificar las ineficiencias y aumentar el riesgo de faltar detalles críticos. Con este nuevo enfoque, ahora podemos automatizar y centralizar el análisis, obtener una comprensión más clara e inmediata de cada parada en boxes, ayudándonos a detectar errores más rápido y refinar nuestros procesos”.
– Marco Gaudino, arquitecto de aplicaciones de carreras de transformación digital
La solución utiliza la detección de objetos implementada en Amazon Sagemaker AI Para sincronizar la captura de video con datos de telemetría de los equipos de la tripulación de boxes, y la arquitectura impulsada por eventos sin evento optimiza el uso de infraestructura de cómputo. Debido a que los equipos de Fórmula 1 deben cumplir con el presupuesto estricto y calcular los límites de recursos impuestos por la FIA, los servicios de AWS bajo demanda ayudan a Scuderia Ferrari HP a evitar una costos de infraestructura costosa.
Conducir la innovación juntos
AWS ha sido un socio del equipo de Scuderia Ferrari HP, así como la nube oficial de Scuderia Ferrari HP, la nube de aprendizaje automático y el proveedor de la nube de inteligencia artificial Desde 2021Asociación para la innovación de poder dentro y fuera de la pista. Cuando se trata de carreras de rendimiento, AWS y Scuderia Ferrari HP trabajan regularmente para identificar áreas para mejorar y construir nuevas soluciones. Por ejemplo, estas colaboraciones han ayudado a reducir el peso del vehículo usando ML mediante la implementación de un sensor de velocidad de tierra virtual, racionalizado el proceso de ensamblaje de la unidad de potenciay aceleró la creación de prototipos de nuevos diseños de vehículos comerciales.
Después de comenzar el desarrollo a fines de 2023, la solución de parada en boxes se probó por primera vez en marzo de 2024 en el Gran Premio de Australia. Rápidamente se mudó a la producción en el Gran Premio de Japón de 2024, celebrado el 7 de abril, y ahora proporciona al equipo de Scuderia Ferrari HP una ventaja competitiva.
Llevando la solución un paso más allá, Scuderia Ferrari HP ya está trabajando en un prototipo para detectar anomalías durante las paradas en boxes automáticamente, como las dificultades para levantar el automóvil cuando el carrito no se levanta, o problemas durante la instalación y eliminación de neumáticos por parte de la tripulación. También está implementando una nueva configuración de cámara más performadora para la temporada 2025, con cuatro cámaras disparando 120 cuadros por segundo en lugar de las dos cámaras anteriores disparando 25 cuadros por segundo.
Desarrollo de la solución de análisis de parada en boxes con motor ML
La nueva solución de análisis de parada en boxes con motor ML correlaciona automáticamente la progresión de video con los datos de telemetría asociados. Utiliza la detección de objetos para identificar luces verdes, luego sincroniza con precisión los datos de video y telemetría, para que los ingenieros puedan revisar el video sincronizado a través de una herramienta de visualización personalizada. Este método automático es más eficiente y más preciso que el enfoque manual anterior. La siguiente imagen muestra la detección de objetos de la luz verde durante una parada en boxes.
“Al revisar sistemáticamente cada parada en boxes, podemos identificar patrones, detectar incluso las ineficiencias más pequeñas y refinar nuestros procesos. Con el tiempo, esto conduce a una mayor consistencia y confiabilidad, reduciendo el riesgo de errores que podrían comprometer los resultados de la carrera”, dice Gaudino.
Para desarrollar la solución de análisis de parada en boxes, el modelo fue entrenado utilizando videos de la temporada de carreras 2023 y la Algoritmo Yolo V8 Para la identificación de objetos en Sagemaker AI a través del marco Pytorch. AWS Lambda y Sagemaker AI son los componentes centrales de la solución de análisis de parada en boxes.
El flujo de trabajo consta de los siguientes pasos:
- Cuando un conductor realiza una parada en boxes, los videos delanteros y traseros de la parada se empujan automáticamente a Servicio de almacenamiento simple de Amazon (Amazon S3).
- De eso, Amazon Eventbridge Invoca todo el proceso a través de varias funciones de Lambda, lo que desencadena el procesamiento de videos a través de un sistema de múltiples Servicio de cola simple de Amazon (Amazon SQS) colas y funciones de lambda que ejecutan código personalizado para manejar la lógica de negocios crítico.
- Estas funciones de Lambda recuperan la marca de tiempo de los videos, luego fusionan los videos delantero y trasero con la cantidad de marcos de video que contienen luces verdes para que finalmente coincidan con el video fusionado con el automóvil y la telemetría de las carreras (por ejemplo, el comportamiento de la pistola de tornillo).
El sistema también incluye el uso de Servicio de contenedores elásticos de Amazon (Amazon ECS) con múltiples microservicios, incluido uno que se integra con su modelo ML en Sagemaker AI. Anteriormente, para correlacionar manualmente los datos, el proceso tomó unos minutos por parada en boxes. Ahora, todo el proceso se completa en 60-90 segundos, produciendo ideas casi en tiempo real.
La siguiente figura muestra el diagrama de arquitectura de la solución.
Conclusión
La nueva solución de análisis de parada en boxes permite una revisión rápida y sistemática de cada parada en boxes para identificar patrones y refinar sus procesos. Después de cinco carreras en la temporada 2025, Scuderia Ferrari HP registró la parada en boxes más rápida de cada carrera, con una mejor temporada de 2 segundos en Arabia Saudita para Charles Leclerc. El trabajo diligente junto con la solución con motor ML obtiene más eficientemente los controladores en el camino más rápido, enfocándose en lograr el mejor resultado final posible.
Para obtener más información sobre la construcción, la capacitación y la implementación de modelos ML con infraestructura totalmente administrada, ver Comenzando con Amazon Sagemaker AI. Para obtener más información sobre cómo Ferrari utiliza los servicios de AWS, consulte los siguientes recursos adicionales:
Sobre los autores
Alessio Ludovici es un arquitecto de soluciones en AWS.