Nova Estratégia de Controle Adaptativo para Veículos Elétricos
Um avanço significativo na tecnologia de controle de cruzeiro adaptativo (ACC) para veículos elétricos foi alcançado por pesquisadores da Universidade de Engenharia de Xangai. A equipe liderada por Hu Shengli, Zhang Huanhuan, Jiang Zhongshun e Chang Xiaoyu desenvolveu uma estratégia de controle inovadora e de múltiplos níveis que melhora substancialmente a segurança, eficiência e conforto dos veículos elétricos com tração distribuída. Esta pesquisa, publicada na prestigiada revista Mechanical Science and Technology for Aerospace Engineering, detalha uma abordagem abrangente que aborda limitações críticas dos sistemas ACC atuais, especialmente em condições de condução complexas como subidas e curvas. Este trabalho representa um marco importante na evolução rumo a veículos mais inteligentes e eficientes.
A evolução do controle de cruzeiro adaptativo é um reflexo direto do progresso em direção à condução autônoma. O que começou como um simples sistema para manter a velocidade transformou-se numa tecnologia sofisticada capaz de manter uma distância segura do veículo da frente, parando completamente e retomando a marcha no trânsito. O núcleo da maioria dos sistemas ACC modernos gira em torno do conceito de “tempo de distância”, que é o tempo que um veículo seguidor leva para alcançar o ponto onde o veículo da frente se encontra atualmente. Inicialmente, este valor era fixo, mas a tendência industrial mudou para modelos de tempo de distância variável (VTH), que podem ajustar a distância de seguimento com base na velocidade relativa e na aceleração, oferecendo uma experiência de condução mais natural e segura. Embora várias teorias de controle tenham sido aplicadas, incluindo PID, lógica difusa e redes neurais, o Controle Preditivo por Modelo (MPC) ganhou destaque devido à sua capacidade de lidar com múltiplos objetivos, muitas vezes conflitantes, como segurança, conforto e economia de combustível, dentro de uma única estrutura de otimização. A equipe da Universidade de Engenharia de Xangai construiu sobre esta base, identificando duas lacunas críticas nos sistemas existentes que sua nova estratégia visa preencher: a imprecisão da medição da distância do sensor em estradas não planas ou retas e a ineficiência computacional dos algoritmos MPC ao utilizar horizontes de previsão longos.
O primeiro e mais fundamental desafio abordado pelos pesquisadores é a imprecisão inerente aos sensores de radar e lidar quando se navega por subidas e curvas. Estes sensores medem a distância em linha reta entre dois veículos, que não é a mesma que a distância real ao longo da estrada. Em uma subida, a distância em linha de visão do sensor é mais curta do que o comprimento real do percurso que um veículo precisa percorrer. De maneira semelhante, em uma curva, a distância da corda medida pelo sensor é menor do que o comprimento do arco da estrada. Esta discrepância pode fazer com que um sistema ACC acredite que está mais próximo do veículo da frente do que realmente está, o que pode causar frenagens desnecessárias e desconfortáveis, ou, no pior dos casos, uma falha em manter uma distância segura se o sistema calcular mal e se aproximar demais. Para corrigir isso, a equipe projetou uma sofisticada estratégia de compensação de distância. Para a condução em subidas, desenvolveram um modelo que calcula a distância real projetando a medição do sensor sobre o plano horizontal, efetivamente adicionando o componente horizontal faltante da inclinação. Para a condução em curvas, utilizaram princípios geométricos baseados na posição do veículo e no raio conhecido ou estimado da curva para converter os dados do sensor em linha reta no comprimento do arco correto. Esta correção em tempo real garante que o sistema ACC opere sempre com uma compreensão precisa da distância real ao veículo da frente, um fator crucial tanto para a segurança quanto para uma condução suave e confiante. A eficácia desta estratégia foi validada por meio de simulações, onde o sinal de distância compensado divergiu dos dados brutos do sensor quando o veículo da frente entrou em uma subida, e convergiu novamente quando o veículo seguidor também subiu, demonstrando a precisão e a capacidade de resposta do modelo.
Com um sinal de distância confiável estabelecido, os pesquisadores voltaram sua atenção para o núcleo do sistema ACC: o controlador de nível superior responsável por calcular o comando de aceleração ou desaceleração ideal. Optaram pelo MPC como base para este controlador, uma escolha natural para o problema de equilibrar múltiplos objetivos, como segurança (minimizando erros de distância e velocidade), conforto (limitando acelerações bruscas e trancos) e eficiência energética (minimizando o consumo de energia). No entanto, uma limitação bem conhecida do MPC é o compromisso entre o horizonte de previsão e a carga computacional. Um horizonte mais longo permite que o controlador antecipe eventos futuros de maneira mais eficaz, levando a um controle mais suave e ideal. Um horizonte mais longo também significa mais cálculos, o que pode sobrecarregar a unidade de controle eletrônico (ECU) do veículo e reduzir o desempenho em tempo real do sistema. Para superar isso, a equipe introduziu um método de “discretização de passo variável”. Esta abordagem inovadora divide o horizonte de previsão em duas partes distintas. No curto prazo, onde o controle imediato e preciso é mais crítico, utiliza-se um passo de tempo curto, fornecendo alta resolução e precisão. No longo prazo, onde o momento exato de uma manobra é menos importante do que a tendência geral, utiliza-se um passo de tempo mais longo, reduzindo drasticamente o número de cálculos necessários. Este método híbrido permite que o sistema mantenha um horizonte de previsão longo para um planejamento superior, mantendo a carga computacional gerenciável, garantindo tanto alta precisão quanto capacidade de resposta em tempo real. Este avanço é particularmente importante para veículos elétricos, onde a eficiência energética é primordial, pois um perfil de condução previsto com mais precisão e mais suave se traduz diretamente em consumo de energia reduzido e maior autonomia.
O controlador MPC de nível superior emite um único comando de aceleração desejado. O componente final e igualmente crítico do sistema é o controlador de nível inferior, que traduz este comando de alto nível em ações específicas para os atuadores do veículo: os motores e os freios. Para um veículo elétrico com tração distribuída, que possui um motor independente em cada roda, isso apresenta uma oportunidade única para a otimização. Os pesquisadores projetaram um sistema de controle de nível inferior que inclui um modelo inverso de dinâmica longitudinal, um modelo inverso do sistema de transmissão e um modelo inverso do sistema de freios. Isso permite que o controlador calcule com precisão o torque total necessário para alcançar a aceleração desejada. Um recurso chave é a lógica de comutação entre frenagem e tração, que prioriza a frenagem regenerativa utilizando os motores elétricos. Somente quando a capacidade de frenagem do motor é insuficiente, o sistema aciona os freios hidráulicos convencionais, maximizando assim a recuperação de energia e melhorando ainda mais a eficiência.
O aspecto mais inovador do controle de nível inferior é a estratégia de distribuição de torque. Em vez de simplesmente dividir o torque total necessário de forma igual entre as quatro rodas, os pesquisadores desenvolveram um algoritmo que otimiza a distribuição para maximizar a eficiência geral de condução do veículo. Esta estratégia baseia-se no princípio de que os motores elétricos têm níveis de eficiência diferentes dependendo do seu ponto de operação, especificamente seu torque e velocidade de rotação. O algoritmo calcula continuamente a distribuição de torque ideal para os eixos dianteiro e traseiro, e até entre as rodas esquerda e direita do mesmo eixo, para garantir que cada motor opere em seu intervalo mais eficiente. Esta otimização está sujeita a limites físicos, como o torque máximo que cada motor pode produzir e a aderência do pneu na estrada, para garantir segurança e estabilidade. A equipe testou esta estratégia em dois principais cenários de condução: condução em linha reta e curvas.
No cenário de condução em linha reta, os resultados da simulação foram claros. Quando o veículo estava viajando a uma velocidade constante, a estratégia de distribuição de torque otimizada alcançou uma eficiência de tração total mensuravelmente maior em comparação com uma estratégia de divisão igual simples. Esta diferença, embora aparentemente pequena em termos percentuais, representa um ganho tangível em economia de energia ao longo da vida útil do veículo. A importância desta descoberta reside no fato de que mesmo na condição de condução mais básica, uma estratégia de controle inteligente pode extrair eficiência adicional do trem de força. No cenário de curvas, os resultados foram igualmente convincentes. O algoritmo conseguiu manter com sucesso a estabilidade do veículo aderindo aos princípios da geometria de direção Ackermann, garantindo que as rodas interna e externa recebessem velocidades apropriadas. Mais importante ainda, apesar da complexidade adicional de uma curva, a distribuição de torque otimizada superou novamente o método de divisão igual, demonstrando que os ganhos de eficiência não são sacrificados pela capacidade de manuseio. A simulação mostrou que a eficiência de tração total permaneceu consistentemente mais alta durante toda a manobra, incluindo a aceleração para fora da curva.
A natureza abrangente desta pesquisa foi validada por meio de uma série de simulações rigorosas no ambiente CarSim/Simulink, uma ferramenta padrão na indústria automotiva para testes virtuais de veículos. Três cenários de condução distintos e desafiadores foram utilizados para testar todo o sistema ACC. O primeiro foi um cenário de “parada e partida” em uma estrada reta, simulando tráfego pesado. Os resultados mostraram que o sistema podia acelerar e desacelerar suavemente, mantendo uma distância segura sem frenagens bruscas ou movimentos abruptos. O segundo cenário envolvia seguir um veículo da frente em uma subida de 10%. Quando o veículo da frente entrou na subida, a estratégia de compensação de distância corrigiu imediatamente o sinal de distância, impedindo que o veículo seguidor se aproximasse demais. O sistema então gerenciou sem problemas a demanda aumentada de potência para subir, demonstrando um excelente desempenho de rastreamento. O terceiro cenário foi um caminho complexo com curvas à esquerda e à direita com raios diferentes. O sistema lidou sem problemas com as transições de seções retas para curvas, com a estratégia de distribuição de torque se adaptando em tempo real à dinâmica em constante mudança. Durante todos os cenários, a aceleração do veículo permaneceu dentro de limites confortáveis, confirmando o foco do sistema na qualidade da condução.
As implicações desta pesquisa são de grande alcance. Para os fabricantes de automóveis, esta estratégia de controle oferece uma solução pronta para implementação que pode melhorar o desempenho das próximas gerações de veículos elétricos. A combinação de maior segurança em subidas e curvas, eficiência energética superior graças à distribuição otimizada de torque e uma condução mais suave e confortável aborda diretamente as principais preocupações dos consumidores. Para o campo mais amplo dos sistemas de transporte inteligente, este trabalho representa um passo significativo rumo a sistemas de condução autônoma mais confiáveis e capazes. Ao garantir que o veículo tenha uma percepção precisa do seu ambiente e possa tomar decisões ideais com eficiência computacional, esta tecnologia ajuda a estabelecer as bases para níveis mais altos de automação. O sucesso do método de discretização de passo variável também pode inspirar abordagens semelhantes em outros sistemas de controle de veículos, como manutenção de faixa ou gerenciamento preditivo de energia.
Em conclusão, a equipe de pesquisa da Universidade de Engenharia de Xangai apresentou uma solução abrangente e altamente eficaz para os desafios do controle de cruzeiro adaptativo em veículos elétricos com tração distribuída. Ao abordar os problemas de imprecisão do sensor, ineficiência computacional e controle subótimo dos atuadores com uma série de estratégias interconectadas e inteligentes, criaram um sistema que é maior do que a soma de suas partes. Seu trabalho demonstra uma profunda compreensão tanto dos fundamentos teóricos da engenharia de controle quanto das realidades práticas da dinâmica veicular. À medida que a indústria automotiva continua sua rápida transição para a eletrificação e automação, pesquisas como esta não são apenas um exercício acadêmico; são a engenharia essencial que definirá a experiência de condução do futuro. Esta nova estratégia ACC se ergue como um testemunho do poder da inovação para criar um transporte mais seguro, eficiente e agradável.
Hu Shengli, Zhang Huanhuan, Jiang Zhongshun, Chang Xiaoyu, Shanghai University of Engineering Science, Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20220211