Novo sistema de controle aprimora estabilidade e precisão em veículos elétricos com tração integral
A evolução da mobilidade autônoma exige não apenas inovação tecnológica, mas também soluções que garantam segurança em condições extremas. Nesse contexto, os veículos elétricos com tração independente nas quatro rodas representam um salto significativo, oferecendo um controle dinâmico sem precedentes sobre cada roda. Um grupo de pesquisadores da Tongji University, liderado por Shuping Chen, Zhiguo Zhao e Kun Zhao, desenvolveu uma estratégia de controle hierárquica que redefine os padrões de precisão no rastreamento de trajetória e estabilidade durante manobras de emergência, especialmente em situações de desvio repentino de obstáculos.
Publicado no Journal of Tongji University (Natural Science), o estudo apresenta uma abordagem coordenada que combina o controle preditivo baseado em modelos com uma alocação ideal de torque, alcançando um equilíbrio entre agilidade e segurança. Esse avanço é particularmente relevante em um momento em que os sistemas de condução autônoma precisam demonstrar sua capacidade de lidar com cenários críticos, como a mudança de faixa de emergência em condições de baixa aderência.
O sistema proposto é estruturado em dois níveis: um controlador superior e um inferior. O primeiro, baseado no controle preditivo linear variante no tempo (LTV MPC), é responsável por planejar o movimento do veículo. Ele utiliza um modelo de veículo de 8 graus de liberdade para prever o comportamento futuro do automóvel e calcular as ações de controle ideais. Diferentemente dos modelos mais simples, esse modelo inclui dinâmicas de rolamento, guinada e movimento lateral, fornecendo uma representação muito mais realista do comportamento do veículo, especialmente durante manobras combinadas de aceleração e curva.
Um aspecto inovador do controlador superior é a integração direta de um controle de velocidade baseado em PID dentro do quadro de otimização do MPC. Isso significa que o sistema não se concentra apenas em minimizar o desvio lateral em relação à trajetória desejada, mas também regula ativamente a velocidade longitudinal. Ao atualizar constantemente a velocidade prevista em cada ciclo de controle, o sistema mantém uma trajetória mais coerente, mesmo durante acelerações ou frenagens bruscas. Essa integração é crucial para cenários de evasão, onde um controle inadequado da velocidade pode agravar a instabilidade.
A verdadeira força do sistema reside em sua capacidade de gerenciar ativamente a estabilidade do veículo. O controlador superior não apenas gera um ângulo de direção desejado para as rodas dianteiras, mas também calcula um momento de guinada adicional. Esse momento não é produzido por meio de frenagem seletiva ou mudanças de direção extremas, mas sim pela vetoriação de torque, uma técnica que aproveita a capacidade única dos veículos com tração integral de aplicar diferentes níveis de torque às rodas esquerda e direita. Ao gerar um momento de guinada ativo, o sistema pode contrabalançar tendências a subesterço ou sobesterço, mantendo o veículo estável mesmo durante manobras agressivas.
Esse momento de guinada adicional, juntamente com o torque total exigido para aceleração ou desaceleração, é enviado ao controlador inferior. É aqui que entra em ação o algoritmo de programação quadrática (QP). Sua tarefa é distribuir de forma ideal o torque total e o momento de guinada entre as quatro rodas, resolvendo um problema de otimização complexo em tempo real. O objetivo não é simplesmente atender às demandas do nível superior, mas fazê-lo da maneira mais eficiente e segura possível.
O algoritmo QP considera múltiplos objetivos simultâneos. Primeiro, minimiza o erro entre o torque exigido e o torque realmente aplicado em cada roda, garantindo uma resposta precisa. Segundo, busca minimizar a utilização do pneu, um indicador-chave da reserva de aderência disponível. Um pneu altamente utilizado está próximo do seu limite de fricção, o que reduz sua capacidade de gerar forças laterais em caso de perturbação. Ao manter a utilização baixa, o sistema preserva uma margem de estabilidade maior. Terceiro, o algoritmo tenta reduzir a perda de energia por deslizamento longitudinal, o que não apenas melhora a eficiência energética, mas também evita o superaquecimento dos pneus.
Para garantir que as soluções sejam fisicamente realizáveis, o algoritmo de QP incorpora restrições rigorosas. Essas incluem os limites de torque máximo dos motores de cada roda e os limites de aderência da estrada, definidos pelo coeficiente de fricção. Essa consideração das limitações do mundo real é o que transforma a teoria em uma solução prática e robusta.
A validade dessa estratégia de controle foi demonstrada por meio de simulações extensas utilizando um modelo de veículo de 14 graus de liberdade como “planta” de teste. Esse modelo de alta fidelidade, que inclui dinâmicas de suspensão e um modelo de pneu “brush” que captura a não linearidade e o acoplamento entre forças longitudinais e laterais, fornece um ambiente de teste extremamente realista. O cenário principal foi a manobra de mudança de faixa dupla, um padrão da indústria para avaliar a capacidade de evasão de obstáculos.
As simulações foram realizadas sob diversas condições: diferentes velocidades (36 km/h, 72 km/h e 90 km/h), diferentes coeficientes de aderência da estrada (μ = 0,85, 0,8 e 0,3) e com e sem o controle de estabilidade ativo. Os resultados foram conclusivos. Em todos os casos, o veículo controlado pelo novo sistema demonstrou uma excelente precisão no rastreamento da trajetória. Mesmo a 90 km/h, o desvio lateral máximo permaneceu abaixo de 0,28 metros, uma margem de segurança aceitável. Mais impressionante ainda foi seu comportamento em condições de baixa aderência (μ = 0,3), onde um veículo convencional teria perdido facilmente o controle. O sistema manteve ângulos de deriva e velocidades de guinada dentro de limites seguros, evitando qualquer perda de estabilidade.
Ao comparar o sistema proposto com um controlador que se concentrava apenas no rastreamento da trajetória, a diferença foi clara. A integração do controle de estabilidade melhorou a precisão do rastreamento em até 35% e reduziu significativamente os erros no ângulo de rumo. Essa descoberta desafia a noção de que a estabilidade e a precisão são objetivos contraditórios; ao contrário, demonstra que um gerenciamento ativo da estabilidade melhora diretamente a capacidade de rastreamento.
Outro benefício-chave foi a redução do ângulo de direção necessário. Ao corrigir a trajetória por meio da vetoriação de torque em vez de depender exclusivamente da direção das rodas dianteiras, o sistema permitiu ângulos de direção menores. Isso não apenas reduz a carga nos pneus dianteiros, melhorando sua vida útil e o conforto de condução, mas também aumenta a previsibilidade do comportamento do veículo. Em superfícies escorregadias, onde grandes ângulos de direção podem rapidamente exceder o limite de aderência, essa capacidade é fundamental.
A escolha do LTV MPC como algoritmo principal também traz uma grande vantagem: a adaptabilidade. Ao linearizar o modelo do veículo em torno do ponto de operação atual em cada passo de tempo, o controlador pode se adaptar dinamicamente a mudanças na velocidade, distribuição de carga e condições da estrada. Isso o torna muito mais robusto do que controladores de ganho fixo, que assumem um comportamento constante do sistema.
Do ponto de vista da implementação prática, a estratégia é altamente viável. Os veículos elétricos modernos com tração integral já possuem a infraestrutura necessária: motores individuais em cada roda, redes de comunicação de alta velocidade e uma ampla gama de sensores. Os requisitos computacionais do LTV MPC e do QP são gerenciáveis com os processadores automotivos atuais, especialmente com horizontes de previsão curtos.
A arquitetura modular do sistema também permite uma grande flexibilidade. As matrizes de ponderação no MPC podem ser ajustadas para priorizar diferentes aspectos de acordo com o modo de condução: eficiência no modo “eco”, conforto no modo “normal” ou dinamismo no modo “esportivo”. Da mesma forma, o objetivo de alocação de torque no nível inferior pode ser modificado para enfatizar a eficiência energética ou a tração máxima.
As implicações dessa pesquisa vão além do ambiente acadêmico. À medida que organizações de segurança como a Euro NCAP intensificam seu foco nas capacidades de evasão automática, os fabricantes de automóveis precisarão de soluções como esta para cumprir com os padrões de segurança mais rigorosos. Esse sistema não apenas melhora a segurança, mas também pode diferenciar um veículo em um mercado cada vez mais competitivo.
O trabalho de Chen, Zhao e Zhao estabelece as bases para futuras pesquisas. Os autores sugerem que desenvolvimentos futuros poderiam incorporar métricas de estabilidade contra capotamento, especialmente importantes para veículos mais altos, como SUVs. Além disso, a implementação de métodos de sintonização adaptativa para os coeficientes de ponderação, possivelmente por meio de técnicas de aprendizado de máquina, poderia melhorar ainda mais o desempenho em condições variáveis.
Em conclusão, esta pesquisa representa um avanço significativo no campo do controle de veículos autônomos. Ao unificar o rastreamento de trajetória e a estabilidade de guinada em uma estrutura de controle coerente e eficiente, oferece uma solução prática para um dos desafios mais críticos da mobilidade futura. À medida que os veículos elétricos com tração integral se tornam mais comuns, estratégias de controle como esta serão fundamentais para garantir que a promessa da condução autônoma seja cumprida com o máximo de segurança e confiança.
Shuping Chen, Zhiguo Zhao, Kun Zhao, School of Automotive Studies, Tongji University. Journal of Tongji University (Natural Science), DOI: 10.11908/j.issn.0253-374x.24713