Novo sistema de controle aprimora estabilidade em veículos elétricos
A evolução da mobilidade autônoma está alcançando um ponto decisivo, onde a segurança em condições de condução extremas se torna a prioridade máxima. À medida que os veículos autônomos avançam para cenários do mundo real, sua capacidade de lidar com manobras de emergência, como desvios repentinos para evitar colisões, é crucial. Um avanço significativo nesse campo foi apresentado por uma equipe de pesquisadores da Universidade Tongji, em Xangai, que desenvolveu uma inovadora estratégia de controle hierárquica para veículos elétricos com tração independente nas quatro rodas (4WID-EV). Este sistema promete elevar o desempenho, garantindo não apenas uma precisão excepcional na trajetória, mas também uma estabilidade aprimorada do veículo, mesmo em situações de limite.
Liderado pelo Dr. Shuping Chen, pelo Professor Zhiguo Zhao e por Kun Zhao da Escola de Estudos Automotivos da Universidade Tongji, o estudo foi publicado na revista Journal of Tongji University (Natural Science). O trabalho introduz uma arquitetura de controle sofisticada de dois níveis, projetada para integrar de forma coesa o rastreamento de trajetória e a estabilidade dinâmica do veículo, um desafio que muitos sistemas atuais tratam de forma separada, muitas vezes sacrificando um objetivo em favor do outro.
O cerne da inovação reside na combinação de um controlador preditivo avançado na camada superior com um algoritmo de alocação inteligente na camada inferior. Na camada superior, o sistema utiliza um Controlador Preditivo de Modelo Linear Variante no Tempo (LTV MPC). Esta técnica é conhecida por sua capacidade de prever o comportamento futuro do veículo e otimizar os comandos de controle em um horizonte de tempo finito, considerando diversas restrições do sistema. O diferencial do sistema da Universidade Tongji está no modelo de previsão utilizado. Em vez de depender de modelos de veículo simplificados, o controlador superior é baseado em um modelo de dinâmica veicular de 8 graus de liberdade (8-DOF). Esse modelo de alta fidelidade captura dinâmicas críticas, incluindo movimentos longitudinais, laterais, de guinada e rolamento, oferecendo uma representação muito mais precisa do comportamento do veículo durante manobras agressivas.
Um dos principais diferenciais do controlador superior é a integração de um controlador PID para o rastreamento de velocidade diretamente dentro do loop de otimização do MPC. Isso permite que o sistema considere dinamicamente as mudanças na velocidade longitudinal durante a fase de previsão. Na condução real, a velocidade do veículo raramente é constante, especialmente durante manobras de emergência que envolvem aceleração ou frenagem rápida. Ao incorporar o controle de velocidade longitudinal ao framework do MPC, o sistema gera um comando de torque total necessário que está intrinsecamente sincronizado com os objetivos de estabilidade lateral e de guinada. Essa abordagem holística garante que a dinâmica longitudinal e lateral do veículo não sejam tratadas como problemas separados, mas sim otimizadas em conjunto, resultando em um desempenho geral mais suave e estável.
O controlador LTV MPC calcula duas saídas principais: o ângulo de direção desejado para as rodas dianteiras e um momento de guinada adicional. O ângulo de direção é usado para guiar o veículo ao longo da trajetória pretendida, enquanto o momento de guinada adicional é um elemento crucial para manter a estabilidade. Em um veículo convencional, esse momento é gerado pela dinâmica do chassi. No 4WID-EV, o momento é produzido de forma ativa através da distribuição inteligente de torque para as quatro rodas – uma capacidade exclusiva dos veículos com tração independente.
É aqui que entra em ação a camada inferior do sistema. O segundo nível da hierarquia é responsável pela alocação de controle, um processo que determina como o torque total necessário e o momento de guinada adicional, calculados pela camada superior, são distribuídos entre as quatro rodas. Os pesquisadores da Universidade Tongji utilizam um método de Programação Quadrática (QP) para resolver esse problema de alocação. A programação quadrática é uma técnica de otimização poderosa que pode encontrar eficientemente a melhor solução possível, respeitando múltiplas restrições físicas e operacionais.
Os objetivos de otimização no problema de QP são multifacetados, refletindo os complexos compromissos envolvidos no controle de um veículo. O primeiro objetivo é minimizar o erro de rastreamento de torque, garantindo que o torque real entregue por cada roda corresponda de perto ao comando da camada superior. O segundo objetivo é minimizar a utilização do pneu. A utilização do pneu é uma medida de quão perto um pneu está operando em seu limite de atrito físico. Ao manter essa utilização baixa, o sistema preserva uma margem de segurança, permitindo que os pneus gerem forças laterais ou longitudinais adicionais se necessário, o que é essencial para manter a estabilidade. O terceiro objetivo é minimizar a perda de energia por deslizamento longitudinal, o que ajuda a prevenir o deslizamento excessivo das rodas e melhora a eficiência energética.
O resolvedor QP opera sob várias restrições críticas. Estas incluem os limites máximos e mínimos de torque de cada motor elétrico, ditados pelas limitações de hardware do trem de força. Igualmente importantes são as restrições de atrito da estrada, que garantem que a soma das forças longitudinais e laterais em cada pneu não exceda a elipse de atrito disponível, um limite fundamental imposto pela superfície da estrada e pelo estado do pneu. Para representar com precisão o acoplamento não linear entre as forças longitudinais e laterais dos pneus, o controlador utiliza um modelo de pneu de escova em condições combinadas de deslizamento, um recurso vital para uma simulação e controle realistas em condições extremas.
Para validar a eficácia da estratégia de controle proposta, a equipe de pesquisa realizou extensas simulações utilizando um modelo de veículo de 14 graus de liberdade (14-DOF) como “planta” ou representação do veículo real. Esse modelo detalhado, que inclui a dinâmica individual de cada roda e o curso da suspensão, serve como uma plataforma de teste muito mais realista do que o modelo de 8-DOF usado para previsão. O cenário de teste principal foi uma manobra de mudança dupla de faixa, um padrão de referência para avaliar a estabilidade e o desempenho de manuseio de emergência de um veículo. Essa manobra simula a mudança rápida de faixas necessária para evitar um obstáculo na estrada, impondo uma grande pressão sobre os sistemas de controle do veículo.
Os resultados da simulação foram convincentes. Os pesquisadores testaram o controlador em uma variedade de velocidades, de 36 km/h a 90 km/h, em uma superfície de alta aderência (µ = 0,85). Em todas as velocidades, o veículo demonstrou um excelente rastreamento de trajetória, com o desvio lateral máximo permanecendo abaixo de 0,28 metros. Embora, como esperado, o erro de rastreamento aumentasse ligeiramente com a velocidade devido às maiores forças dinâmicas envolvidas, o desempenho permaneceu dentro de limites aceitáveis. Mais importante ainda, a taxa de guinada e o ângulo de escorregamento lateral do veículo – os principais indicadores de estabilidade – permaneceram dentro de limites seguros durante toda a manobra. O controlador usou efetivamente o momento de guinada adicional, gerado pela criação de uma diferença de torque entre as rodas esquerda e direita, para manter o veículo estável e na trajetória.
A robustez da estratégia de controle foi ainda mais demonstrada em simulações em diferentes superfícies da estrada. A equipe testou o sistema a uma velocidade constante de 50 km/h em uma superfície de alta aderência (µ = 0,8) e em uma de baixa aderência (µ = 0,3), que poderia representar estradas molhadas ou escorregadias. Na superfície de alta aderência, o veículo rastreou a trajetória com precisão excepcional. Na superfície de baixa aderência, como antecipado, o desempenho de rastreamento foi mais desafiador, com um ligeiro aumento no erro lateral e um pequeno atraso na resposta. No entanto, o desvio lateral máximo foi ainda menor que 0,12 metros, e o veículo manteve a estabilidade sem qualquer sinal de perda de controle. Esse resultado é particularmente significativo, pois demonstra a capacidade do controlador de se adaptar a condições de condução variáveis, uma capacidade crítica para a implantação no mundo real.
A validação mais reveladora veio de uma comparação direta entre o controlador coordenado de estabilidade proposto e um controlador mais simples que apenas rastreava a trajetória. Em uma simulação a 72 km/h em uma superfície de baixa aderência (µ = 0,4), a diferença foi acentuada. O controlador coordenado de estabilidade alcançou um erro de rastreamento lateral menor e uma resposta de velocidade mais rápida e precisa. Mais importante ainda, o ângulo de escorregamento lateral e a taxa de guinada do veículo foram significativamente menores e mais estáveis quando o controle coordenado estava ativo. Isso demonstra que o momento de guinada adicional não é apenas um conceito teórico, mas uma ferramenta prática que ativamente melhora tanto a estabilidade quanto a precisão de rastreamento. O controlador conseguiu uma trajetória melhor tornando o veículo mais estável, provando efetivamente que estabilidade e precisão não são objetivos conflitantes, mas podem se reforçar mutuamente.
As implicações desta pesquisa vão além do interesse acadêmico. Para a indústria automotiva, este trabalho fornece um roteiro claro para o desenvolvimento de sistemas de controle de estabilidade de próxima geração. À medida que as plataformas 4WID-EV se tornam mais comuns, especialmente em veículos de alto desempenho e autônomos, a capacidade de aproveitar o torque individual de cada roda para a estabilidade será um diferencial chave. A estratégia de controle da Tongji oferece uma solução prática e eficaz para desbloquear esse potencial.
Além disso, a integração de um modelo de previsão de alta fidelidade e um framework de otimização multiobjetivo estabelece um novo padrão no design de sistemas de controle. Ela se afasta da abordagem tradicional, em que direção, frenagem e propulsão são gerenciadas por sistemas separados, e avança em direção a uma abordagem holística e integrada. Isso é essencial para o futuro da condução autônoma, onde o veículo deve agir como um único agente inteligente, capaz de tomar decisões complexas em tempo real que equilibram múltiplos objetivos, muitas vezes conflitantes.
A pesquisa também destaca a importância da fidelidade do modelo. Ao usar um modelo de 8-DOF para previsão e um modelo de 14-DOF para simulação, a equipe garantiu que sua estratégia de controle fosse testada em condições realistas. Esse rigor aumenta a confiança de que o algoritmo funcionará bem quando implementado em um veículo real, um passo crítico no processo de desenvolvimento.
Olhando para o futuro, os autores identificaram várias áreas promissoras para pesquisas futuras. Uma delas é a integração da estabilidade de rolamento ao framework de controle. Embora o trabalho atual se concentre na estabilidade de guinada, a dinâmica de rolamento do veículo é igualmente importante, especialmente durante manobras de alta aceleração lateral. Um sistema de controle que possa gerenciar simultaneamente guinada e rolamento proporcionaria um nível ainda maior de segurança. Outra área é o desenvolvimento de métodos adaptativos para ajustar os fatores de ponderação na otimização de QP. Esses fatores determinam a importância relativa do rastreamento de torque, utilização do pneu e perda de energia. Um sistema adaptativo que possa ajustar esses pesos em tempo real com base nas condições de condução poderia otimizar ainda mais o desempenho.
Em conclusão, o trabalho de Chen, Zhao e Zhao representa um avanço significativo no campo da dinâmica e controle de veículos. Sua estratégia de controle hierárquica e preditiva para veículos 4WID-EV fecha com sucesso a lacuna entre o rastreamento preciso de trajetória e a estabilidade robusta do veículo. Por meio de simulações rigorosas e uma arquitetura de controle bem projetada, eles demonstraram um sistema que opera de forma confiável em uma ampla gama de velocidades e condições de estrada. Esta pesquisa não apenas contribui para o corpo de conhecimento acadêmico, mas também oferece uma solução prática com o potencial de tornar os futuros veículos autônomos mais seguros e capazes.
Shuping Chen, Zhiguo Zhao, Kun Zhao, Escola de Estudos Automotivos, Universidade Tongji, Journal of Tongji University (Natural Science), DOI:10.11908/j.issn.0253-374x.24713