Sistema de Controle LQR-PID para Mudanças de Faixa em Veículos Autónomos
Num avanço significativo para a tecnologia de condução autónoma, investigadores da Universidade Florestal de Nanjing desenvolveram um sistema de controlo de mudança de faixa de alta precisão especificamente concebido para veículos elétricos. O sistema — que combina um Regulador Linear Quadrático (LQR) com pré-alimentação para controlo lateral e uma arquitetura dual-PID para monitorização longitudinal de velocidade e posição — demonstra uma precisão sem precedentes em ambientes de simulação realistas. Com desvio lateral máximo de apenas 0,01 metros e erro de direção limitado a 0,007 radianos durante as transições de faixa, esta abordagem estabelece um novo padrão em estabilidade, segurança e conforto dos ocupantes em manobras autónomas.
Esta inovação surge num momento pivotal. À medida que os fabricantes automóveis globais aceleram a implementação de sistemas de assistência ao condutor de Nível 2+ e Nível 3, a demanda por execuções de mudança de faixa confiáveis, responsivas e suaves intensificou-se. As estratégias de controlo tradicionais frequentemente tratam as dinâmicas lateral e longitudinal de forma isolada, levando a uma coordenação abaixo do ideal — especialmente durante manobras dinâmicas como mudanças de faixa em autoestradas. O novo controlador, no entanto, integra ambos os domínios através de uma estrutura co-desenhada que antecipa e compensa os efeitos de acoplamento cruzado em tempo real.
A inovação central reside na sua filosofia de controlo híbrido. No eixo lateral, a equipa liderada por Ding Jiachun e Tian Jie adotou um modelo de erro de seguimento de trajetória derivado de uma representação simplificada de veículo bicicleta com dois graus de liberdade. Este modelo captura a dinâmica essencial do movimento de guinada e lateral, mantendo-se computacionalmente eficiente — um requisito crítico para sistemas embarcados em tempo real. Com base nisto, implementaram um controlador LQR, um método de controlo ótimo bem estabelecido, conhecido por equilibrar múltiplos critérios de desempenho através de uma função de custo quadrática.
Mas o LQR por si só não é suficiente. Como muitos sistemas baseados apenas em retroação, pode sofrer de erros de seguimento em estado estacionário, particularmente ao seguir trajetórias de referência curvadas. Para resolver isto, os investigadores introduziram um termo de compensação de pré-alimentação que calcula diretamente o ângulo de direção das rodas dianteiras com base na curvatura da trajetória planeada. Esta adição efetivamente “precarrega” o comando de direção, permitindo que o veículo antecipe as curvas em vez de apenas reagir a elas. O resultado é um comportamento de seguimento de trajetória mais suave e preciso que espelha de perto a intuição de condução humana.
No eixo longitudinal, o desafio muda da direção para a fidelidade de velocidade e posição. Aqui, a equipa concebeu um controlador dual-PID que monitoriza simultaneamente o erro de velocidade e o desvio posicional relativamente à trajetória ideal. Os loops PID padrão de seguimento de velocidade podem manter a velocidade-alvo, mas frequentemente falham em corrigir o desvio posicional cumulativo — imagine um carro que mantém a velocidade desejada, mas fica consistentemente meio segundo atrás do ponto de referência. Ao adicionar um PID baseado em posição, o sistema gera um termo de correção de velocidade que reposiciona suavemente o veículo na sua linha temporal espacial pretendida. Esta abordagem de dupla camada garante não só que o carro circula à velocidade correta, mas também que chega ao sítio certo na hora certa.
Crucialmente, a própria trajetória de referência é gerada usando uma curva polinomial de quinta ordem, escolhida pela sua capacidade de garantir continuidade na posição, velocidade e aceleração — chave para o conforto dos passageiros e redução do stress mecânico. O planeamento assume uma transição lateral padrão de 3,75 metros ao longo de cinco segundos, alinhando-se com as geometrias típicas de estradas urbanas de dupla faixa e as normas de comportamento de condutores humanos. A trajetória resultante é suave, previsível e fisicamente exequível para veículos reais.
A validação foi conduzida através de uma plataforma de co-simulação de alta fidelidade que liga o MATLAB/Simulink com o CarSim, um software de dinâmica veicular amplamente respeitado e utilizado na indústria automóvel. O veículo de teste — um modelo Hatchback da Classe C com parâmetros realistas, incluindo massa (1447,2 kg), distância entre eixos e rigidez de deriva dos pneus — foi submetido a um cenário de autoestrada estruturada de duas faixas, em piso seco, a uma velocidade inicial de 54 km/h (15 m/s). A aderência da estrada foi definida para 0,85, refletindo condições típicas de asfalto.
Os resultados foram convincentes. Sob o regime completo de pré-alimentação-LQR + dual-PID, a trajetória real do veículo sobrepôs-se quase perfeitamente com o percurso planeado. O desvio lateral nunca excedeu 1 centímetro, e o erro de direção manteve-se abaixo de 0,4 graus durante toda a manobra. Em contraste, um controlador de base usando LQR sem pré-alimentação exibiu um atraso perceptível e um desvio de direção persistente em estado estacionário — demonstrando o benefício tangível do componente preditivo de direção.
Além disso, o comportamento dos atuadores manteve-se suave e fisicamente plausível. O ângulo de direção das rodas dianteiras evoluiu gradualmente sem saltos abruptos, e a taxa de guinada atingiu um pico modesto de 0,05 rad/s — bem dentro dos limiares de conforto. Estas métricas não são apenas académicas; traduzem-se diretamente em redução do risco de enjoos, menor desgaste dos pneus e maior confiança dos passageiros em sistemas autónomos.
Do ponto de vista de engenharia, o controlador também prioriza o desempenho em tempo real. Em vez de resolver a equação de Riccati, computacionalmente intensiva, online em cada ciclo de controlo, a equipa pré-calculou uma tabela de pesquisa que mapeia a velocidade do veículo para as matrizes de ganho LQR ótimas. Esta estratégia de “trocar espaço por tempo” garante resposta ao nível do milissegundo sem sacrificar a qualidade de controlo — essencial para implementação em unidades de controlo eletrónicas (ECUs) de grau production.
As implicações estendem-se para além dos veículos de passageiros. À medida que a logística autónoma, os robotáxis e os robots de entrega de última milha proliferam, a manobrabilidade precisa a velocidades baixas e médias torna-se cada vez mais crítica — especialmente em corredores urbanos densos onde mudanças de faixa, incorporações e manobras de estacionamento ocorrem frequentemente. A robustez do sistema a 54 km/h sugere um forte potencial de adaptação a cenários de velocidade mais baixa com tolerâncias ainda mais apertadas.
Note-se que a investigação foca-se exclusivamente em veículos elétricos puros (EVs), aproveitando as suas vantagens inerentes: resposta instantânea de binário, arquitetura simplificada de transmissão e integração perfeita com sistemas de controlo digital. O controlador longitudinal interfaceia diretamente com um mapa calibrado de acelerador/travão derivado de testes empíricos, traduzindo a aceleração desejada em comandos precisos de binário do motor ou travagem regenerativa. Este acoplamento apertado entre algoritmo de controlo e grupo motopropulsor elétrico exemplifica a sinergia que impulsiona as soluções de mobilidade de próxima geração.
Embora o estudo não avance para testes reais em estrada, o ambiente CarSim fornece um alto grau de realismo físico, incorporando modelos detalhados de pneus, dinâmicas de suspensão e efeitos aerodinâmicos. Trabalhos futuros provavelmente envolverão validação hardware-in-the-loop e eventualmente testes em estrada — mas os resultados de simulação já oferecem fortes evidências de viabilidade.
Para investidores e executivos automóveis, este desenvolvimento sublinha uma tendência mais ampla: a mudança de arquiteturas de autonomia monolíticas para subsistemas modulares e co-otimizados. Em vez de depender de uma única rede neuronal ou modelo de aprendizagem de ponta a ponta para lidar com todas as tarefas de condução, os investigadores estão cada vez mais a desenvolver controladores especializados para manobras específicas — cada um afinado para desempenho, segurança e eficiência máximos. Esta estratégia de “dividir e conquistar” pode revelar-se mais escalável e certificável do que as abordagens de IA de caixa negra, particularmente à medida que os organismos reguladores exigem lógica de controlo explicável e verificável.
O trabalho também destaca o papel crescente da China na investigação fundamental de veículos autónomos. Enquanto grande parte da atenção global se foca nos gigantes tecnológicos dos EUA e nos fabricantes de equipamento original (OEM) europeus, universidades e laboratórios chineses apoiados pelo estado estão a produzir inovações de alto impacto e revistas por pares em teoria de controlo, fusão de sensores e planeamento de trajetória. Este estudo — financiado pelo Projeto-Chave da Província de Jiangsu em Prospetiva Industrial e Tecnologias Nucleares — exemplifica como o investimento público direcionado pode produzir avanços de engenharia prática com potencial comercial.
Criticamente, o controlador evita a dependência de solucionadores de otimização complexos ou modelos de aprendizagem automática que requerem conjuntos de dados massivos e processos de treino opacos. Em vez disso, constrói sobre a teoria de controlo clássica — melhorada com lógica inteligente de pré-alimentação e duplo loop — para alcançar desempenho state-of-the-art com transparência e eficiência computacional. Numa era onde a certificação de segurança e a conformidade com a segurança funcional (ISO 26262) são primordiais, tal interpretabilidade é um trunfo maior.
À medida que a indústria automóvel navega a transição da assistência ao condutor para a autonomia total, melhorias granulares em manobras nucleares como a mudança de faixa definirão a confiança do utilizador e a aceitação regulatória. Um sistema que executa uma mudança de faixa com precisão ao nível do centímetro não é apenas tecnicamente impressionante — é uma garantia psicológica para os passageiros e um diferenciador competitivo para os fabricantes.
Perspetivando o futuro, esta arquitetura poderia ser estendida para cenários mais complexos: autoestradas com múltiplas faixas, incorporações em rampas ou manobras evasivas. A integração com sistemas de perceção — usando deteção de objetos em tempo real para ajustar o timing da trajetória ou abortar mudanças de faixa inseguras — aumentaria ainda mais a sua praticidade. Adicionalmente, o agendamento adaptativo de ganhos baseado nas condições da estrada (ex: molhado vs. seco) poderia alargar o seu domínio de design operacional (ODD).
Por agora, a conquista permanece como um testemunho do poder duradouro do controlo baseado em modelo quando inteligentemente aumentado. Num campo frequentemente dominado por manchetes sobre IA e aprendizagem profunda, esta investigação relembra-nos que a engenharia elegante e informada pela física ainda tem um papel vital a desempenhar na construção do futuro autónomo.
Autor: Ding Jiachun, Tian Jie
Afiliação: Colégio de Engenharia Automóvel e de Tráfego, Universidade Florestal de Nanjing, Nanjing 210037, China
Revista: Jornal da Universidade de Tecnologia de Chongqing (Ciência Natural)
DOI: 10.3969/j.issn.1674-8425(z).2024.04.010