Algoritmo inovador estima dinâmica veicular e aderência em tempo real
Em um avanço significativo para a segurança e o controle dinâmico de veículos elétricos, uma equipe de pesquisadores da Faculdade de Engenharia de Veículos e Transportes da Universidade de Ciência e Tecnologia de Taiyuan desenvolveu um algoritmo de estimação altamente preciso e robusto. A nova metodologia é capaz de determinar, em tempo real, os estados dinâmicos críticos de um veículo elétrico de tração distribuída e o coeficiente de aderência da pista — informações fundamentais para a operação segura e estável em manobras de alto desempenho ou em condições adversas de piso.
A pesquisa, conduzida por Yuan Yuan, Wang Hang, Zhao Pengju e Cheng Qingli, aborda um dos maiores desafios da engenharia automotiva moderna: como obter dados precisos sobre o comportamento do veículo sem depender de sensores especializados e de alto custo. Sistemas de controle de estabilidade, assistência à condução e controle de torque vetorial exigem conhecimento detalhado da velocidade longitudinal e lateral, do ângulo de derrapagem do centro de gravidade e da força máxima que os pneus podem gerar com o solo. Tradicionalmente, esses dados são obtidos com sensores de inércia de alta precisão, que elevam o custo de produção e limitam a escalabilidade da tecnologia para veículos de média e baixa faixa de preço.
A solução proposta pelo grupo chinês oferece uma alternativa prática e eficiente. Em vez de recorrer a hardware caro, os pesquisadores desenvolveram um algoritmo baseado em filtragem avançada que utiliza exclusivamente sinais de sensores já presentes em veículos de série — como acelerômetros, sensores de ângulo de direção, velocímetros de roda e unidades de medição inercial básicas. Através de um modelo matemático sofisticado e um processo de estimação em tempo real, o sistema consegue reconstruir com alta fidelidade o estado completo do veículo, mesmo em condições extremas.
O cerne da inovação reside na aplicação e aprimoramento do Filtro de Kalman por Cubatura (CKF), uma técnica de estimação não linear que supera as limitações de métodos tradicionais como o Filtro de Kalman Estendido (EKF) e o Filtro de Kalman Não Rastreado (UKF). O EKF, ao linearizar as equações dinâmicas do veículo, pode gerar erros significativos em cenários de alta não linearidade, como curvas fechadas ou frenagens bruscas. Já o UKF, embora evite a linearização, pode sofrer de instabilidade numérica em sistemas de alta dimensão, devido à possível perda de definição positiva da matriz de covariância.
O algoritmo desenvolvido utiliza o CKF, que é conhecido por sua alta precisão em sistemas não lineares, e o aprimora com a técnica de Decomposição em Valores Singulares (SVD). A SVD é aplicada diretamente no processo de atualização da matriz de covariância, garantindo que ela permaneça numericamente estável mesmo em condições de baixa precisão computacional, comum em unidades de controle eletrônico (ECU) de veículos. Essa combinação, denominada SVD-CKF, aumenta significativamente a robustez do filtro, prevenindo a divergência e assegurando estimativas confiáveis em tempo real.
A arquitetura do sistema é outro ponto de destaque. Os pesquisadores adotaram uma abordagem de estimação conjunta em dois estágios, onde um estimador de estado veicular fornece dados para um estimador de aderência da pista, e este, por sua vez, realimenta o primeiro com informações atualizadas sobre o coeficiente de atrito. Esse ciclo fechado de feedback permite uma convergência mais rápida e uma precisão superior, pois as estimativas são continuamente refinadas com base em dados mutuamente corrigidos.
Para validar a eficácia do algoritmo, a equipe construiu uma plataforma de simulação integrada utilizando os softwares Carsim e Simulink, amplamente utilizados na indústria automotiva para modelagem e análise de dinâmica veicular. Os testes foram realizados em cenários desafiadores, incluindo manobras de mudança de faixa dupla (double lane change) a 30 km/h e 60 km/h, simulando uma situação de evasão de obstáculo de emergência. Os cenários cobriram superfícies com alta aderência (piso seco), baixa aderência (piso molhado ou gelado) e aderência assimétrica (split-μ), onde metade da pista é seca e a outra metade é molhada — uma condição particularmente perigosa que pode causar perda de controle.
Os resultados da simulação foram excepcionais. A estimativa da velocidade longitudinal e lateral apresentou um erro inferior a 1% em relação aos valores reais. O ângulo de derrapagem, um dos parâmetros mais difíceis de medir diretamente e crucial para a estabilidade do veículo, foi estimado com alta precisão, mesmo nos picos de manobra. O coeficiente de aderência convergiu rapidamente: em menos de 0,3 segundos em pisos de baixa aderência e em 0,4 segundos em pisos de alta aderência. Essa rapidez de resposta é essencial para que os sistemas de controle possam atuar antes que a instabilidade se torne irreversível.
A validação em simulação, no entanto, é apenas o primeiro passo. O verdadeiro teste de viabilidade está no mundo real. Com esse objetivo, os pesquisadores implementaram o algoritmo em uma plataforma de veículo real. O modelo de estimação desenvolvido no Simulink foi convertido em código embarcado e carregado em uma unidade de controle eletrônico (ECU) por meio de uma interface de download. A ECU se comunicou com os sensores do veículo através do barramento CAN, o protocolo de comunicação padrão na indústria automotiva, coletando dados de aceleração, velocidade de roda, ângulo de direção e velocidade de guinada.
Os testes em campo foram realizados a 50 km/h em uma pista de alta aderência, seguidos por avaliações em pisos de baixa aderência e condições de aderência assimétrica. Apesar das inúmeras variáveis não modeladas do mundo real — como irregularidades da pista, dinâmica de suspensão, desgaste dos pneus e ruído dos sensores — o algoritmo demonstrou uma robustez notável. Os erros nas estimativas de velocidade e ângulo de derrapagem permaneceram abaixo de 5%, e o coeficiente de aderência foi estimado com um erro inferior a 10%. Embora ligeiramente menos preciso do que na simulação, o comportamento geral do sistema foi consistente com os resultados simulados, confirmando sua aplicabilidade prática.
Um achado interessante foi a diferença de desempenho entre as rodas dianteiras e traseiras. A estimativa do coeficiente de aderência foi mais precisa e mais rápida nas rodas dianteiras. Isso se deve provavelmente ao fato de que as rodas dianteiras, por serem direcionais, geram mais informações dinâmicas relevantes durante as manobras, como forças laterais mais intensas. Esse insight pode influenciar o design futuro de sistemas de controle, sugerindo que estratégias que priorizam os dados das rodas dianteiras podem oferecer vantagens em certas arquiteturas.
Do ponto de vista da engenharia automotiva, as implicações desta pesquisa são profundas. Ela oferece um caminho claro para a implementação de sistemas de controle avançado em veículos de produção em massa, sem o ônus de sensores especializados. Isso é particularmente relevante no contexto da eletrificação, onde a redução de custos é um fator crítico para a adoção em larga escala. Ao mesmo tempo, a melhoria na precisão da estimação eleva o nível de segurança e desempenho do veículo.
Além disso, esta tecnologia tem um potencial enorme para o desenvolvimento de veículos autônomos. O conhecimento preciso do estado do veículo e das condições da pista é fundamental para a navegação segura, a tomada de decisões e a mitigação de riscos. Um algoritmo que possa fornecer essa informação de forma confiável e econômica é um componente essencial para a viabilidade da mobilidade autônoma.
A metodologia também destaca a importância de um modelo dinâmico equilibrado. O modelo de veículo de três graus de liberdade (3-DOF) utilizado captura os movimentos longitudinais, laterais e de guinada com suficiente fidelidade, mantendo-se computacionalmente eficiente para execução em tempo real em uma ECU. A integração do modelo de pneu Dugoff, que considera o efeito de escorregamento combinado e a variação da força lateral com a carga vertical, adiciona uma camada realista de comportamento de aderência.
O sucesso deste projeto é um testemunho da crescente contribuição das instituições acadêmicas chinesas na vanguarda da engenharia automotiva. A Universidade de Ciência e Tecnologia de Taiyuan, apoiada pelo Programa de Orientação para a Transferência de Tecnologia da Província de Shanxi, produziu um trabalho que combina rigor científico com aplicação prática, abordando desafios reais da indústria.
Em resumo, o algoritmo de estimação conjunta baseado em SVD-CKF desenvolvido por Yuan Yuan e sua equipe representa um marco na evolução dos sistemas de controle veicular. Ele combina precisão, robustez, eficiência computacional e baixo custo, superando barreiras que há muito limitam a disseminação de tecnologias avançadas de segurança. À medida que a indústria continua sua transformação para veículos mais inteligentes, elétricos e conectados, inovações como esta serão fundamentais para moldar um futuro de mobilidade mais seguro, eficiente e acessível.
Yuan Yuan, Wang Hang, Zhao Pengju, Cheng Qingli, Faculdade de Engenharia de Veículos e Transportes, Universidade de Ciência e Tecnologia de Taiyuan. Publicado no Journal of Taiyuan University of Technology. DOI: 10.16355/j.tyut.1007-9432.20230830