Novo algoritmo aprimora estimativa em veículos elétricos
A crescente demanda por veículos inteligentes e sistemas avançados de assistência ao condutor (ADAS) tem colocado a precisão na estimativa do estado dinâmico do veículo como um dos pilares fundamentais da engenharia automotiva moderna. A capacidade de determinar com exatidão parâmetros como a velocidade longitudinal, a taxa de guinada e o ângulo de derrapagem lateral do centro de massa é crucial para garantir a segurança, a estabilidade e a eficiência de um automóvel, especialmente em condições de condução extremas. No entanto, apesar dos avanços em algoritmos de filtragem e modelagem, uma limitação persistente tem sido a forma como os modelos tradicionais tratam as propriedades dos pneus, particularmente a rigidez lateral. A maioria dos modelos assume que essa rigidez é constante, uma simplificação que se torna inadequada quando os pneus operam em sua região não linear, como em manobras de emergência ou em superfícies de baixa aderência.
Neste cenário, uma pesquisa inovadora conduzida por Fu Yuesheng, Li Shaohua e Wang Guiyang, da Universidade Ferroviária de Shijiazhuang, apresenta uma solução promissora. Publicado na revista Mechanical Science and Technology for Aerospace Engineering, o estudo introduz um algoritmo híbrido denominado FAEKF+FFRLS, projetado para superar essa limitação ao atualizar dinamicamente a rigidez lateral dos pneus durante a estimativa do estado do veículo. Essa abordagem não apenas aprimora a precisão das estimativas, mas também estabelece um novo paradigma para a integração de modelagem adaptativa em veículos elétricos inteligentes, especialmente aqueles com propulsão distribuída.
O cerne do problema reside na natureza não linear da interação pneu-pavimento. Em condições normais de condução, a força lateral gerada por um pneu aumenta de forma aproximadamente proporcional ao seu ângulo de deriva, permitindo o uso de modelos lineares com razoável precisão. Contudo, à medida que o ângulo de deriva aumenta, o pneu atinge seu limite de aderência, e a relação entre força e ângulo deixa de ser linear, entrando em uma região de saturação. Nessa zona, um modelo que assume uma rigidez constante inevitavelmente subestima ou superestima a força real, levando a erros significativos na estimativa do comportamento do veículo. Esses erros são particularmente críticos para sistemas de controle de estabilidade eletrônico (ESC), que dependem de uma percepção precisa do estado do veículo para atuar de forma eficaz. O algoritmo proposto pelos pesquisadores da Universidade de Shijiazhuang Tiedao aborda esse desafio de frente, reconhecendo que a rigidez lateral dos pneus não é uma constante, mas sim um parâmetro dinâmico que varia com as condições de aderência, carga vertical, velocidade e temperatura.
A inovação do trabalho está na arquitetura em dois níveis do algoritmo FAEKF+FFRLS. O primeiro nível é o Filtro de Kalman Estendido Adaptativo Difuso (Fuzzy Adaptive Extended Kalman Filter, FAEKF), responsável pela estimativa dos estados dinâmicos principais do veículo: velocidade longitudinal, taxa de guinada e ângulo de derrapagem do centro de massa. O Filtro de Kalman Estendido (EKF) é uma ferramenta clássica para estimar o estado de sistemas não lineares a partir de medições ruidosas. Ele funciona em dois passos: predição e atualização. Na etapa de predição, o filtro usa um modelo dinâmico do veículo para prever o próximo estado. Na etapa de atualização, ele compara essa previsão com os dados reais dos sensores (por exemplo, aceleração lateral) e calcula uma correção para produzir uma estimativa final. O desempenho do EKF depende criticamente da matriz de covariância do ruído de medição, que quantifica a incerteza dos sensores. Em aplicações tradicionais, essa matriz é frequentemente definida como uma constante, o que pode ser problemático se a qualidade do sinal do sensor mudar devido a interferências ou falhas.
É aqui que entra a componente “adaptativa difusa” do FAEKF. Em vez de usar uma matriz de ruído fixa, o algoritmo emprega um controlador lógico difuso que ajusta dinamicamente o ganho de Kalman. O controlador analisa a diferença entre a covariância do erro de medição prevista pelo modelo e a covariância do erro real observado (o resíduo). Se o erro real for maior do que o esperado, o controlador interpreta que o ruído de medição aumentou e reduz o ganho do filtro, tornando-o menos sensível às medições e mais confiante no modelo. Se o erro for menor, o ganho é aumentado, permitindo que o filtro se ajuste mais rapidamente às mudanças reais no estado do veículo. Esse mecanismo de feedback inteligente confere ao algoritmo uma robustez excepcional, permitindo que ele mantenha um desempenho de alta precisão mesmo quando os dados dos sensores são instáveis ou de qualidade variável, uma característica essencial para a aplicação em campo.
O segundo nível do algoritmo é o Mínimos Quadrados Recursivos com Fator de Esquecimento (Forgetting-Factor Recursive Least Squares, FFRLS), cujo objetivo é estimar a rigidez lateral dos pneus em tempo real. Em vez de depender de medições diretas e imprecisas do ângulo de derrapagem, o FFRLS utiliza um método indireto conhecido como método de acoplamento lateral-guinada. Ele combina as equações de movimento lateral e de guinada do veículo, eliminando a necessidade de conhecer o ângulo de derrapagem diretamente. As entradas para este estimador são a aceleração lateral medida, a velocidade longitudinal estimada, a taxa de guinada e o ângulo de direção, todos dados disponíveis em veículos modernos. O “fator de esquecimento” é uma característica crucial do FFRLS. Ele permite que o algoritmo dê mais peso aos dados mais recentes e “esqueça” gradualmente os dados mais antigos. Isso é vital para que a estimativa da rigidez se adapte rapidamente a mudanças repentinas nas condições de aderência, como quando um veículo passa de uma pista seca para uma seção coberta de gelo. Sem esse fator, o algoritmo poderia ser lento demais para reagir a essas transições críticas.
A verdadeira genialidade do trabalho de Fu Yuesheng, Li Shaohua e Wang Guiyang está na forma como esses dois níveis são integrados. Em vez de operarem de forma independente, eles são combinados em uma estrutura “embutida” (embedded). O processo começa com o FAEKF fazendo uma predição do estado do veículo. Essa predição, especificamente a velocidade longitudinal e a taxa de guinada, é então usada como entrada para o estimador FFRLS. O FFRLS calcula um novo valor atualizado para a rigidez lateral dos pneus. Este valor recém-estimado é imediatamente realimentado ao modelo dinâmico que o FAEKF utiliza para sua próxima predição. Este ciclo contínuo de estimativa de estado, estimativa de parâmetro e realimentação mútua cria um sistema de correção automática que melhora significativamente a precisão de ambas as estimativas. Essa arquitetura em loop fechado garante que o modelo do veículo esteja sempre utilizando os parâmetros mais atualizados, refletindo as condições reais de condução, o que é fundamental para a precisão em manobras extremas.
Para validar a eficácia do algoritmo, os pesquisadores realizaram extensas simulações de co-simulação utilizando o Trucksim e o MATLAB/Simulink. Eles modelaram um veículo elétrico com propulsão em todas as rodas, aproveitando a característica de que o torque e a velocidade de cada motor de roda são facilmente mensuráveis. Isso permitiu um cálculo direto e preciso das forças longitudinais em cada roda, melhorando a qualidade do modelo dinâmico. Os testes foram realizados em um cenário de “dupla mudança de faixa”, uma manobra de alta intensidade que desafia os limites de estabilidade do veículo, sob três condições distintas: baixa velocidade (30 km/h) em uma superfície de baixa aderência (coeficiente de atrito μ = 0,3), alta velocidade (80 km/h) em uma superfície de alta aderência (μ = 0,8) e a condição mais desafiadora, alta velocidade em baixa aderência (80 km/h, μ = 0,3).
Os resultados foram inequívocos. Em todos os cenários, o algoritmo FAEKF+FFRLS superou significativamente o EKF padrão. A melhoria foi mais acentuada na condição mais extrema. Por exemplo, na simulação de 80 km/h sobre μ = 0,3, o erro relativo na estimativa do ângulo de derrapagem do centro de massa foi reduzido de um alarmante 41,0% com o EKF padrão para apenas 5,36% com o novo algoritmo. Da mesma forma, o erro na estimativa da taxa de guinada caiu de 10,09% para 3,88%. Esses números demonstram não apenas uma melhoria na precisão, mas também uma maior robustez e estabilidade do algoritmo proposto sob condições dinâmicas severas.
As implicações desta pesquisa vão muito além da melhoria de um algoritmo teórico. Uma estimativa precisa do ângulo de derrapagem é o coração de qualquer sistema de controle de estabilidade. Um algoritmo que pode fornecer essa informação com alta fidelidade, mesmo em condições de baixa aderência, tem o potencial de tornar os sistemas de segurança muito mais eficazes, evitando perdas de controle antes que ocorram. Além disso, a estimativa em tempo real da rigidez lateral dos pneus pode servir como um indicador indireto do coeficiente de atrito da estrada. Uma queda súbita no valor estimado poderia alertar o sistema de controle do veículo sobre uma perda de aderência, permitindo uma resposta proativa, como uma redução de velocidade ou uma redistribuição de torque entre os eixos. Essa capacidade de antecipação é um passo crucial em direção a veículos verdadeiramente inteligentes e proativos.
O estudo também destaca a importância da colaboração interdisciplinar, combinando conhecimentos de dinâmica de veículos, teoria de controle, lógica difusa e processamento de sinais. A publicação do trabalho em uma revista revisada por pares de alto nível, Mechanical Science and Technology for Aerospace Engineering, confirma seu rigor científico e relevância técnica.
O futuro desta pesquisa é promissor. Os autores planejam validar o algoritmo em veículos instrumentados em testes de pista reais, um passo necessário para avaliar seu desempenho frente às imperfeições do mundo real. A longo prazo, o algoritmo poderia ser expandido para estimar outros parâmetros dinâmicos, como a massa total do veículo ou a inclinação da estrada. A integração de técnicas de aprendizado de máquina poderia permitir que o sistema aprendesse com experiências de condução passadas, refinando continuamente suas estimativas. Em um mundo onde a segurança viária e a automação são prioridades, o trabalho de Fu Yuesheng, Li Shaohua e Wang Guiyang representa um avanço significativo, demonstrando como uma compreensão mais profunda da física do veículo pode levar a inovações que transformam a experiência de condução.
Fu Yuesheng, Li Shaohua, Wang Guiyang, Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20220190