Novo Algoritmo de Alta Precisão para Veículos Elétricos
No cenário em rápida evolução da tecnologia de veículos elétricos, a precisão e a segurança permanecem fundamentais. Com o avanço dos sistemas avançados de assistência ao condutor e das capacidades de condução autónoma, a demanda por estimativas precisas e em tempo real da dinâmica veicular intensificou-se. Uma recente inovação na metodologia de estimativa de estado promete elevar significativamente o desempenho dos sistemas de controlo de veículos elétricos, oferecendo maior precisão e robustez sob condições complexas de condução.
Uma equipa de investigação da Faculdade de Engenharia da Universidade Agrícola do Sul da China introduziu um algoritmo revolucionário concebido para superar as limitações das técnicas tradicionais de filtragem em dinâmicas veiculares não lineares e de alta dimensionalidade. O estudo, publicado no Jornal da Universidade de Tecnologia de Chongqing (Ciências Naturais), apresenta uma estrutura de estimativa de estado que combina integração numérica de quinta ordem com decomposição por valores singulares (SVD), proporcionando desempenho superior em comparação com métodos convencionais.
A investigação, liderada pelo Professor Wu Weibin, aborda um desafio crítico na engenharia automóvel moderna: a estimativa precisa de estados veiculares essenciais, como velocidade longitudinal e lateral, taxa de guinada e ângulo de derrapagem do centro de gravidade. Estes parâmetros são indispensáveis para o funcionamento eficaz de sistemas de segurança ativa, incluindo controlo de tração, travagem antibloqueio e programas de estabilidade eletrónica. Embora sensores de alta gama possam fornecer medições diretas, o seu custo elevado e suscetibilidade a interferências ambientais limitam a sua implementação generalizada. Consequentemente, a estimativa baseada em software – frequentemente designada por “sensoriamento virtual” – tornou-se uma alternativa vital, permitindo previsões estatais precisas através de dados de sensores de baixo custo e algoritmos avançados.
As técnicas de estimativa existentes, como o Filtro de Kalman Estendido, o Filtro de Kalman Unscented e o padrão Filtro de Kalman Cubatura, têm sido amplamente adotadas tanto na investigação académica como em aplicações industriais. No entanto, estes métodos operam tipicamente sob pressupostos de precisão de terceira ordem, o que restringe a sua capacidade de lidar com a elevada não linearidade presente nos modelos veiculares modernos, especialmente sob condições extremas de condução. Em manobras de alta velocidade ou em superfícies com baixa fricção, os erros de estimativa acumulados podem degradar o desempenho do sistema e comprometer a segurança.
Reconhecendo estas limitações, a equipa do Professor Wu desenvolveu uma versão melhorada do Filtro de Kalman Cubatura, designada por Filtro de Kalman Cubatura de Quinta Ordem com Decomposição por Valores Singulares (SVD-FCKF). A inovação reside em duas modificações fundamentais. Primeiro, o algoritmo estende a regra cubatura esférico-radial tradicional da precisão de terceira ordem para quinta ordem. Esta aproximação de ordem superior permite ao filtro capturar mais adequadamente o comportamento não linear da dinâmica veicular, particularmente em estados transientes onde ocorrem alterações rápidas na direção, travagem ou aceleração. Ao incorporar uma expansão da série de Taylor de quinta ordem, o SVD-FCKF minimiza os erros de truncamento que afetam os filtros de ordem inferior, resultando em previsões estatais mais precisas.
Em segundo lugar, os investigadores substituíram a decomposição de Cholesky convencional – um método padrão para fatorização de matrizes na filtragem de Kalman – pela Decomposição por Valores Singulares (SVD). Esta alteração melhora significativamente a estabilidade numérica do algoritmo, especialmente ao lidar com matrizes de covariância mal condicionadas que podem surgir de dados de sensores ruidosos ou imprecisões do modelo. A SVD é reconhecida pela sua robustez no tratamento de matrizes com défice de característica ou quase singulares, tornando o estimador mais resistente a valores atípicos e anomalias de medição. Esta estabilidade reforçada é crucial para aplicações do mundo real, onde os dados dos sensores podem ser corrompidos por interferências, variações de temperatura ou desgaste mecânico.
Para validar a eficácia do SVD-FCKF, a equipa construiu um modelo abrangente de dinâmica veicular com sete graus de liberdade. Este modelo considera os movimentos longitudinal, lateral e de guinada, bem como a dinâmica rotacional das quatro rodas, fornecendo uma representação realista do comportamento do veículo. A interação pneu-estrada foi modelada utilizando o modelo não linear de pneu Dugoff, que captura com precisão a complexa relação entre derrapagem, carga e fricção numa ampla gama de condições operacionais. A integração deste modelo de alta fidelidade com o estimador SVD-FCKF permitiu uma avaliação rigorosa do seu desempenho sob diversos cenários de condução.
A estrutura de simulação foi construída utilizando um ambiente de cosimulação que combina CarSim e MATLAB/Simulink. O CarSim, uma plataforma de simulação de dinâmica veicular amplamente utilizada, forneceu as respostas veiculares de referência, enquanto o MATLAB/Simulink acolheu o algoritmo SVD-FCKF. Embora o CarSim tenha sido originalmente concebido para veículos com motor de combustão interna, os investigadores adaptaram-no para simulação de veículos elétricos, substituindo o trem de força interno por um modelo externo de motor elétrico. Isto permitiu a aplicação direta de binário a cada roda, simulando as capacidades de controlo independente dos veículos elétricos modernos.
Dois cenários críticos de condução foram selecionados para testes: uma manobra de slalom de alta velocidade e uma entrada de passo no ângulo de direção com subsequente travagem. O teste de slalom, realizado numa superfície asfáltica de alta fricção a uma velocidade inicial de 80 km/h, foi concebido para desafiar a capacidade do estimador de acompanhar alterações rápidas e contínuas na dinâmica veicular. O teste de passo no ângulo de direção, que envolve uma curva súbita seguida de travagem de emergência, avalia o desempenho do algoritmo sob carregamento longitudinal e lateral combinado – um cenário comum na condução real.
No teste de slalom, o SVD-FCKF demonstrou uma melhoria marcante em relação ao FKC padrão na estimativa do ângulo de derrapagem e da velocidade lateral do veículo. As trajetórias estimadas seguiram de perto os valores de referência gerados pelo CarSim, com desvios pico a pico significativamente reduzidos. Esta precisão aprimorada é particularmente evidente durante as fases de transição da manobra, onde o veículo experiencia elevadas taxas de guinada e acelerações laterais. A integração de quinta ordem mitiga eficazmente a acumulação de erro, permitindo que o estimador mantenha a fidelidade mesmo quando o sistema opera longe do equilíbrio.
A estimativa de velocidade longitudinal também mostrou desempenho superior. Embora ambos os filtros tenham inicialmente acompanhado a velocidade real com precisão, o FKC padrão começou a divergir após dois segundos, provavelmente devido a perturbações não modeladas e ruído do sensor. Em contraste, o SVD-FCKF manteve uma convergência estreita throughout a simulação, salientando o efeito estabilizador da SVD na etapa de atualização da covariância. Esta robustez é crítica para sistemas de controlo longitudinal que dependem de feedback preciso de velocidade para funções como controlo de cruzeiro adaptativo e travagem regenerativa.
O teste de passo no ângulo de direção confirmou ainda mais as vantagens do método proposto. Durante a fase inicial de viragem, ambos os estimadores desempenharam bem, mas após a aplicação de pressão de travagem na marca dos sete segundos, o FKC exibiu um desvio notável nas estimativas de velocidade das rodas. Os erros nas velocidades angulares das rodas dianteiras e traseiras atingiram magnitudes ordens de grandeza superiores às produzidas pelo SVD-FCKF. Esta disparidade destaca a vulnerabilidade dos filtros tradicionais a alterações abruptas na dinâmica do sistema, enquanto a estabilidade numérica melhorada do SVD-FCKF lhe permite adaptar-se mais eficazmente a condições transientes.
A análise quantitativa utilizando métricas de Erro Absoluto Médio e Erro Quadrático Médio favoreceu consistentemente o SVD-FCKF em todos os estados testados. No cenário de slalom, o EAM para o ângulo de derrapagem foi reduzido em mais de 80%, enquanto o erro de velocidade lateral diminuiu mais de 85%. No teste de direção em passo, as melhorias foram ainda mais dramáticas, com erros de estimativa de velocidade das rodas reduzidos em quase uma ordem de grandeza. Estes resultados sublinham a capacidade do algoritmo de proporcionar não apenas maior precisão, mas também maior consistência entre diferentes regimes operacionais.
Um dos aspetos mais convincentes do SVD-FCKF é a sua adaptabilidade a ambientes multicondicionais. Ao contrário de alguns métodos de estimativa que requerem sintonia extensa para cenários específicos, o SVD-FCKF demonstrou forte desempenho tanto em manobras de alta dinâmica como em eventos combinados de travagem e viragem. Esta versatilidade torna-o um candidato promissor para integração nas arquiteturas de controlo veicular de próxima geração, onde um único estimador deve lidar com uma ampla gama de situações de condução sem reconfiguração.
Do ponto de vista computacional, a maior complexidade da regra de quinta ordem – que requer 2n² + 1 pontos de cubatura em comparação com 2n no caso de terceira ordem – não parece constituir um obstáculo significativo à implementação em tempo real. Os investigadores notam que as unidades modernas de controlo eletrónicas automóveis possuem poder de processamento suficiente para acomodar os cálculos adicionais, especialmente dada a natureza paralelizável das avaliações de pontos de cubatura. Além disso, o uso da SVD, embora mais computationalmente intensivo que a decomposição de Cholesky, contribui para a estabilidade a longo prazo, potencialmente reduzindo a necessidade de rotinas frequentes de reinicialização ou correção de erro.
As implicações desta investigação estendem-se para além do interesse académico. À medida que a indústria automóvel avança para níveis mais elevados de automação, a fiabilidade da estimativa de estado torna-se uma pedra angular da segurança do sistema. Estimativas imprecisas ou atrasadas da dinâmica veicular podem levar a ações de controlo inadequadas, aumentando o risco de instabilidade ou colisão. O SVD-FCKF oferece um caminho para uma estimativa mais confiável, permitindo um controlo veicular mais seguro e responsivo.
Além disso, a compatibilidade do algoritmo com conjuntos de sensores de baixo custo torna-o particularmente atrativo para veículos elétricos de mercado massivo. Ao reduzir a dependência de hardware dispendioso, os fabricantes podem implementar funcionalidades de segurança avançadas numa gama mais ampla de produtos, melhorando a segurança rodoviária global. Isto alinha-se com as tendências globais de democratização da tecnologia automóvel e melhoria da acessibilidade sem comprometer o desempenho.
A investigação também abre novos caminhos para desenvolvimento futuro. A equipa reconhece que, embora os resultados de simulação sejam altamente encorajadores, a validação no mundo real é o próximo passo crítico. Testes de campo em veículos instrumentados serão necessários para avaliar o desempenho do algoritmo sob condições reais de estrada, incluindo meteorologia variável, superfícies irregulares e comportamento imprevisível do condutor. Adicionalmente, a integração do SVD-FCKF com outras técnicas avançadas de estimativa – como filtragem adaptativa de ruído ou modelos de correção baseados em aprendizagem automática – poderia melhorar ainda mais as suas capacidades.
Outra direção promissora é a extensão da estrutura para incluir estimativa de fricção da estrada. Uma vez que o modelo de pneu Dugoff depende do coeficiente de fricção, uma estimativa online precisa da aderência da estrada poderia ser utilizada para adaptar os parâmetros do estimador em tempo real, melhorando ainda mais a robustez. Tal abordagem de dupla estimativa – acompanhando simultaneamente estados veiculares e condições da estrada – representaria um avanço significativo nos sistemas veiculares inteligentes.
Em conclusão, o trabalho de Wu Weibin, Huang Jingkai, Zeng Jinbin e Li Haoxin representa um avanço significativo no campo da estimativa de estado veicular. Ao combinar integração numérica de ordem superior com estabilidade numérica melhorada, o SVD-FCKF estabelece um novo padrão de precisão e fiabilidade na dinâmica de veículos elétricos. A sua implementação bem-sucedida poderá abrir caminho para sistemas de transporte mais seguros, eficientes e inteligentes, beneficiando tanto fabricantes como consumidores.
À medida que o mundo automóvel continua a sua transição para a eletrificação e automação, inovações como o SVD-FCKF desempenharão um papel crucial na moldagem do futuro da mobilidade. A investigação não só aborda um desafio técnico premente, como também exemplifica o poder da engenharia interdisciplinar – fundindo teoria de controlo, análise numérica e dinâmica veicular numa solução coesa com impacto no mundo real.
Wu Weibin, Huang Jingkai, Zeng Jinbin, Li Haoxin
Faculdade de Engenharia, Universidade Agrícola do Sul da China
Jornal da Universidade de Tecnologia de Chongqing (Ciências Naturais)
doi: 10.3969/j.issn.1674-8425(z).2024.03.008