Equipa da Universidade de Chongqing Reduz Consumo Energético em Robôs de Troca de Baterias em 11% com Inovação em Design Integrado
Num momento em que a mobilidade elétrica está a transformar-se rapidamente de uma adoção de nicho para uma inevitabilidade no mercado de massa, o principal obstáculo já não é apenas o veículo em si – é a infraestrutura de suporte. Enquanto as estações de carregamento se multiplicam ao longo das autoestradas e nos centros urbanos, uma revolução mais silenciosa, mas igualmente vital, está a ocorrer no mundo da troca de baterias: a ascensão de sistemas robóticos de assistência, concebidos para velocidade, precisão e, crucialmente, eficiência energética. Na vanguarda desta evolução, uma equipa de investigação da Universidade de Chongqing revelou uma nova estratégia de otimização que reduz o consumo de energia em robôs de troca de baterias em mais de 10% – sem comprometer o desempenho ou a segurança. A sua inovação? Uma reformulação radical de como o design mecânico e o controlo de movimento devem ser co-otimizados, e não tratados de forma isolada.
As implicações estendem-se muito para além do interesse académico. À medida que os operadores de frotas elétricas – especialmente nos setores de logística, transporte público e serviços de mobilidade – pressionam para que a troca de baterias seja feita em menos de cinco minutos, rivalizando com o abastecimento de gasolina, os braços robóticos devem ciclar milhares de vezes por mês. Cada joule poupado por ciclo acumula-se em reduções massivas nos custos operacionais e na procura da rede elétrica. No entanto, a maioria dos sistemas atuais ainda depende de um design sequencial: os engenheiros primeiro fixam a configuração cinemática e depois ajustam o controlador. Esta abordagem desacoplada, embora prática, deixa desempenho por explorar. O trabalho da equipa de Chongqing demonstra que a verdadeira eficiência emerge apenas quando a estrutura e o controlo “falam a mesma língua” – literalmente, na sintaxe da otimização multiobjetivo.
No cerne da sua inovação está o módulo de elevação de um robô de troca de baterias – um subsistema aparentemente simples que levanta uma bateria de veículo elétrico de 80 quilogramas através de um curso vertical de 220 milímetros em menos de 10 segundos. Aos olhos menos treinados, assemelha-se a um elevador de tesoura compacto ou a um atuador linear com braços de ligação. Mas por baixo dessa elegância mecânica reside um sistema dinâmico fortemente acoplado, onde cada milímetro de comprimento do braço, cada volta da relação de transmissão e cada ganho no algoritmo de controlo remoldam o panorama energético.
A equipa, liderada pela Professora Associada Lin Lihong, começou por mapear a cadeia física completa: um motor servo de CA de íman permanente de 400 watts aciona uma engrenagem de redução de estilo planetário (inicialmente definida como 1,2:1), que gira um parafuso de esferas de 12 milímetros de diâmetro com um passo de 10 milímetros. O movimento linear do parafuso alimenta um mecanismo de quatro barras planas – especificamente, uma variante de cruzeta – composto por três hastes articuladas (identificadas como l₁, l₂ e l₃ no seu modelo). A haste final conecta-se a uma ranhura horizontal na bandeja da bateria, convertendo o movimento lateral do cursor em elevação vertical através de cinemática constrangida. Esta arquitetura oferece compacidade e rigidez – ideal para instalações no chão de garagens – mas introduz um acoplamento não linear entre o binário do motor, a inércia da carga e a resistência gravitacional.
Os primeiros protótipos desempenhavam-se adequadamente. Mas “adequado” não é suficiente quando se dimensiona para centenas de estações de troca numa cidade. Testes iniciais revelaram uma verdade surpreendente: mais de 15% do orçamento energético total do robô era gasto apenas a levantar e baixar a bandeja, vazia ou carregada – energia que não contribuía para a troca da bateria, segurança ou experiência do utilizador. Pior ainda, a ultrapassagem de posição e as oscilações de estabilização prolongavam o tempo do ciclo, forçando um agendamento conservador e reduzindo a capacidade de processamento.
A equipa recusou aceitar o compromisso convencional: pode ter-se velocidade ou eficiência, mas não ambas. Em vez disso, colocaram uma questão mais ousada: E se o esqueleto e o sistema nervoso do robô fossem concebidos em conjunto desde o primeiro dia?
Para responder, desenvolveram um quadro unificado ancorado em dois pilares: modelação baseada na física e busca inteligente multiobjetivo.
Primeiro, a dinâmica. Em vez de tratar o mecanismo como uma caixa negra, derivaram as suas equações lagrangianas completas do movimento – contabilizando a inércia de cada engrenagem rotativa, a energia cinética de cada massa deslizante e o potencial gravitacional variável à medida que a bandeja sobe. Crucialmente, incluíram o comportamento eletromecânico do motor: força contraeletromotriz, ondulação de binário e – num reconhecimento às perdas do mundo real – atrito viscoso e de Coulomb nas juntas e rolamentos. Isto resultou num modelo de consumo energético de alta fidelidade: a energia total de entrada é igual ao integral temporal da potência de entrada do motor, onde a potência é o produto do binário comandado e da velocidade angular, ajustado para perdas de eficiência na transmissão e eletrónica.
Segundo, o controlo. Escolheram o controlo por modos deslizantes – não pela sua simplicidade, mas pela sua robustez. Ao contrário dos reguladores PID ou linear-quadráticos, o controlo por modos deslizantes prospera na presença de incerteza paramétrica e perturbações externas (digamos, variação da massa da bateria ou alterações de viscosidade induzidas pela temperatura na graxa). A sua formulação definiu uma superfície de deslizamento como uma combinação linear do erro de posição e da sua derivada, e depois forçou a convergência usando uma lei de aproximação exponencial – uma estratégia que acelera a resposta inicial enquanto amortece a oscilação perto do alvo. Para suprimir ainda mais a oscilação de alta frequência (um efeito secundário notório da comutação por função de sinal pura), substituíram a função dura sgn() por uma função de saturação suave, preservando a robustez enquanto aliviavam o stress mecânico.
Mas é aqui que o projeto divergiu da arte anterior: em vez de ajustar os ganhos do modo deslizante (ε, λ, k) após a construção do mecanismo, tratou-os como variáveis de design em pé de igualdade com os parâmetros físicos – relação de transmissão i, passo do parafuso Pₕ, e comprimentos dos braços l₁–l₃. Todos os oito parâmetros formaram um vetor de decisão conjunto, otimizado não para um único objetivo, mas para dois objetivos concorrentes: minimizar a energia total de elevação (E) e minimizar o erro de posição angular em estado estacionário (eₛₛ) – sendo este último um proxy para a repetibilidade do posicionamento da bandeja e a confiança do utilizador.
Esta postura multiobjetivo foi crítica. Reduzir apenas o erro poderia significar um controlo agressivo – ganhos elevados, correções rápidas – levando a picos de binário e energia desperdiçada. Cortar apenas a energia poderia relaxar a precisão, arriscando desalinhamentos durante a inserção da bateria. O único caminho para a otimalidade de Pareto era o co-design.
Resolver este problema exigiu mais do que a descida do gradiente. O espaço paramétrico era misto: algumas variáveis contínuas (l₁, ε), outras discretas (candidatos a relação de transmissão: 34/21, 33/22, …, 30/25; passos de parafuso: 5, 6, 8, 10, 12 mm). Além disso, avaliar cada candidato exigia uma simulação Simulink completa do ciclo de elevação – computacionalmente dispendiosa. A equipa recorreu à Otimização por Enxame de Partículas com Comportamento Quântico (QPSO), um algoritmo evolutivo inspirado pelas ondas de probabilidade quântica. Ao contrário do PSO clássico, onde as partículas seguem atualizações de velocidade determinísticas, o QPSO trata cada candidato a design como uma “partícula quântica” cuja posição é amostrada probabilisticamente em torno de um atrator global – reduzindo a convergência prematura e melhorando a exploração em paisagens acidentadas e multimodais.
Ao longo de 200 iterações e mais de 10 000 simulações, o algoritmo convergiu para um conjunto de parâmetros que desafiava a intuição. A relação de transmissão ótima não era a inicialmente selecionada de 1,50 (30:20), mas uma mais apertada de 1,20 (30:25), trocando velocidade bruta por amplificação de binário e aceleração mais suave. O passo do parafuso saltou de 10 mm para o máximo permitido de 12 mm – contra intuitivo, já que passos mais longos geralmente reduzem a vantagem mecânica – mas, neste caso, reduziu o número de revoluções do motor necessárias para a elevação completa, cortando as perdas I²R nos enrolamentos mais do que aumentou o atrito da transmissão. O braço l₁ encolheu ligeiramente (112 mm vs. 110), l₂ cresceu significativamente (219 mm vs. 180), e l₃ estendeu-se (167 mm vs. 130), remodelando o perfil de movimento da ligação para minimizar as cargas de inércia de pico e manter a velocidade vertical da bandeja mais uniforme.
Simultaneamente, o controlador suavizou: ε caiu de 4000 para 3959, λ de 0,30 para 0,22, k subiu modestamente de 1,00 para 1,59. Isto não era um controlo “mais fraco” – era um controlo mais inteligente. Um λ mais baixo reduziu o peso na derivada do erro de posição, contendo correções agressivas; um k mais alto reforçou o termo de amortecimento linear, suavizando a abordagem final. Juntos, produziram uma convergência mais rápida com menos ultrapassagem.
Os resultados surpreenderam até os investigadores. Em simulação, o design de otimização integrada alcançou 126,48 joules por ciclo de elevação – uma queda de 10,93% face à linha de base de 142,00 J. Mais impressionante ainda, o erro angular em estado estacionário caiu para 0,5516 radianos – uma melhoria de 53,68% face aos 1,1909 rad iniciais. Para colocar isto em perspetiva: no eixo do motor, esse erro traduz-se em menos de 2 milímetros de desvio na altura da bandeja – bem dentro da tolerância típica de ±5 mm para os carris guia da bateria.
Mas as simulações mentem. Ou, pelo menos, simplificam. O atrito do mundo real não é perfeitamente modelado. A latência do encoder, o arrasto dos cabos e as tolerâncias de fabrico nas juntas dos braços conspiram para degradar o desempenho. Por isso, a equipa construiu um protótipo em escala real. Usando os parâmetros otimizados, fabricaram o mecanismo de ligação, adquiriram um conjunto motor-engrenagem-parafuso correspondente e incorporaram o seu controlador por modos deslizantes num DSP em tempo real. Ao longo de 50 ciclos consecutivos de elevação com uma carga de 80 kg, mediram a energia através de um analisador de potência Hioki e o erro angular através do encoder de 20 bits do motor.
Os números experimentais mantiveram-se firmes: média de energia de 136,32 J (7,78% superior à simulação, mas ainda um ganho líquido de 4,1% face ao hardware de base) e erro de 0,5984 rad (8,48% acima da simulação, mas ainda 49,7% melhor do que o não otimizado). As ligeiras deviations? Atribuídas à stiction não modelada nos guias lineares e a pequenos desequilíbrios de massa na bandeja. Crucialmente, ambas as métricas mantiveram-se decididamente superiores a qualquer otimização de domínio único – apenas controlo ou apenas estrutura – validando a sua tese central: a integração vence.
A reação da indústria tem sido cautelosa mas intrigada. Uma grande rede chinesa de troca de baterias para VE, operando mais de 1200 estações, iniciou um pilot de retrofitting usando o design de Chongqing. Benchmarks internos preliminares sugerem uma redução de 9,2% no uso de eletricidade a nível da estação durante as horas de vazio – o que se traduz em poupanças anuais de aproximadamente 18 000 dólares por local às tarifas comerciais atuais. Mais importante ainda, a consistência do tempo do ciclo melhorou, permitindo um agendamento mais apertado e uma capacidade diária de troca 5,7% superior sem adicionar hardware.
Para além do impacto comercial, o estudo desafia um paradigma de design com décadas. Na robótica – e na maioria dos sistemas mecatrónicos – a estrutura e o controlo estão em silos: os engenheiros mecânicos entregam modelos CAD às equipas de controlo, que depois passam meses a “domar” a dinâmica. Esta passagem perde sinergias inevitavelmente. A abordagem de Chongqing inverte o guião: co-simulação, co-otimização, co-propriedade desde o início.
Claro, o trabalho não está terminado. A equipa nota explicitamente na sua conclusão que otimizaram apenas o subsistema de elevação. A mobilidade do robô – base sobre rodas ou guiada por carris – consome ainda mais energia durante a aproximação e alinhamento à estação. A investigação da próxima fase irá unificar o movimento da base, a articulação do braço e as garras de manipulação da bateria num único quadro de minimização de energia, possivelmente usando aprendizagem por reforço para estratégias adaptativas em vários formatos de bateria e condições do piso.
Ainda assim, a base está lançada. E é construída sobre uma ideia simples mas poderosa: nos sistemas eletromecânicos, a linha entre o que a máquina é e como ela se move não é apenas difusa – é artificial. A eficiência vive no interstício. Ao apagar essa fronteira, Lin Lihong e os seus colegas não melhoraram apenas um robô. Ofereceram uma nova planta para a automação sustentável – uma onde cada joule conta uma história de inteligência coordenada, desde o dente da engrenagem até ao ganho de controlo.
À medida que as vendas globais de VE aceleram para além de 20 milhões de unidades anuais, os movimentos silenciosos e repetitivos dos robôs de troca de baterias tornar-se-ão uma imagem tão definidora da mobilidade do século XXI como a bomba de gasolina foi para o último. E graças a este trabalho, esses movimentos podem ser um pouco mais suaves para a rede – e para o planeta.
Lina Linhong, Cuí Jiabín, Hú Zengmíng, Zhāng Jīnwén, Lǐ Chéngyuán Faculdade de Engenharia Mecânica e de Veículos, Universidade de Chongqing, Chongqing 400044, República Popular da China Journal of Chongqing University DOI: 10.11835/j.issn.1000-582X.2022.006