Strategia Avanzata per Veicoli Elettrici a Trazione Integrale
La mobilità elettrica sta ridefinendo rapidamente il panorama automobilistico, e garantire la stabilità del veicolo – specialmente in condizioni di guida estreme – è diventata una priorità ingegneristica critica. Uno studio innovativo pubblicato sul Journal of Chongqing University of Technology (Natural Science) introduce un’architettura di controllo gerarchica che migliora significativamente la stabilità laterale dei veicoli elettrici a trazione distribuita (DDEV) coordinando in modo intelligente il controllo diretto del momento d’imbardata (DYC) e la sterzatura integrale (AWS). La ricerca, condotta dal Professor Changgao Xia e dalla studentessa laureata Yazhou Li della Scuola di Ingegneria Automobilistica e dei Trasporti dell’Università di Jiangsu, presenta una strategia robusta e in tempo reale che utilizza l’analisi del piano delle fasi, il controllo duale a mode sliding e l’allocazione ottimale della forza degli pneumatici per mantenere la stabilità del veicolo anche su superfici a bassa aderenza.
I veicoli elettrici a trazione distribuita – equipaggiati con motori individuali su ogni ruota – offrono una flessibilità di controllo senza pari rispetto ai powertrain convenzionali. Tuttavia, questo vantaggio architetturale introduce anche dinamiche complesse che richiedono una sofisticata coordinazione tra i sistemi di sterzo e distribuzione della coppia. Gli approcci tradizionali spesso trattano la stabilità d’imbardata e il controllo dello sterzo come funzioni separate, portando a prestazioni subottimali quando entrambi i sistemi operano simultaneamente senza una corretta sinergia. La nuova strategia proposta da Xia e Li colma questa lacuna integrando AWS e DYC in un framework unificato che si adatta dinamicamente in base allo stato del veicolo e alle condizioni stradali in tempo reale.
Al cuore dell’innovazione risiede un’architettura di controllo a due livelli. Il livello superiore utilizza un controllore duale a mode sliding che traccia due segnali di riferimento chiave derivati da un modello lineare a due gradi di libertà: la velocità laterale ideale e la velocità di imbardata ideale. Questi riferimenti rappresentano il comportamento desiderato del veicolo in condizioni di guida stabili. Il controllore confronta continuamente i valori effettivi misurati dai sensori con questi ideali e genera due output primari: una correzione aggiuntiva dell’angolo di sterzo e una richiesta aggiuntiva di momento d’imbardata. Il controllo a mode sliding è stato scelto per la sua intrinseca robustezza contro incertezze parametriche e disturbi esterni – una caratteristica cruciale per scenari di guida reali che coinvolgono vento laterale, superfici stradali irregolari o manovre improvvise.
Ciò che distingue questo approccio è il modo in cui il livello di controllo inferiore interpreta ed esegue questi comandi di alto livello. Piuttosto che applicare correzioni ciecamente, il sistema utilizza il piano delle fasi ω–β – tracciando la velocità di imbardata rispetto all’angolo di deriva – per valutare la prossimità del veicolo all’instabilità. Questo metodo del piano delle fasi, a lungo utilizzato nella dinamica veicolare teorica, viene qui operazionalizzato come strumento decisionale in tempo reale. All’interno di un confine di stabilità definito matematicamente (espresso come ω + B₁β ≤ B₂), il sistema si affida principalmente agli aggiustamenti dello sterzo. Ma una volta che lo stato del veicolo supera questa soglia – indicando un sovrasterzo o sottosterzo incipiente – il controllore attiva seamlessmente il DYC per integrare lo sterzo con una distribuzione differenziale della coppia sulle ruote.
Questa transizione non è brusca ma attentamente coordinata. Man mano che il veicolo si avvicina al limite di stabilità, il sistema AWS comanda gli angoli di sterzo massimi fattibili in base ai carichi attuali degli pneumatici e all’attrito stradale. Qualsiasi richiesta di stabilità residua oltre ciò che lo sterzo da solo può fornire viene poi soddisfatta dal DYC attraverso una manipolazione precisa della forza longitudinale su ogni ruota. Questa sinergia garantisce che entrambi i sistemi operino all’interno dei loro domini ottimali: lo sterzo per correzioni fini e ad alta larghezza di banda nella regione lineare degli pneumatici, e il torque vectoring per interventi grossolani e di alta magnitudine nel regime non lineare.
Un risultato tecnico chiave dello studio è la formulazione del problema di allocazione della forza degli pneumatici come un compito di ottimizzazione vincolata. Il controllore inferiore minimizza una funzione di costo che rappresenta l’utilizzo degli pneumatici – specificamente, la somma delle forze longitudinali normalizzate al quadrato su tutte e quattro le ruote – soggetta ai vincoli fisici imposti dall’ellisse di attrito. Ciò garantisce che nessuno pneumatico superi il suo limite di aderenza mentre genera collettivamente l’esatta forza longitudinale e momento d’imbardata richiesti dal livello superiore. La soluzione rispetta sia i vincoli di uguaglianza (bilancio totale di forza e momento) che i vincoli di disuguaglianza (limiti di forza degli pneumatici dettati dal carico verticale e dal coefficiente di attrito stradale). I comandi di coppia risultanti sono quindi mappati sui singoli motori delle ruote attraverso un modello semplificato ma accurato di motore hub.
Per convalidare la loro strategia, Xia e Li hanno condotto co-simulazioni ad alta fedeltà utilizzando CarSim e MATLAB/Simulink. Hanno selezionato la manovra di doppio cambio di corsia – un test standard per valutare la capacità di evitamento di emergenza – a una velocità costante di 54 km/h in varie condizioni stradali (μ = 0.3, 0.6 e 0.9). Sono state confrontate tre configurazioni di controllo: solo AWS, solo DYC e la proposta strategia coordinata AWS+DYC. I risultati sono stati inequivocabili. In tutte le condizioni testate, l’approccio coordinato ha prodotto il tracking più vicino alla risposta ideale del veicolo in termini di velocità laterale, velocità di imbardata e spostamento laterale. In particolare, sulla superficie a bassa aderenza (μ = 0.3) – che simula strade bagnate o ghiacciate – il controllore coordinato ha mantenuto l’accuratezza della traiettoria con minimo overshoot o oscillazione, mentre il sistema solo AWS ha mostrato una deviazione significativa a causa di un’autorità correttiva insufficiente, e il sistema solo DYC, sebbene stabilizzante, ha prodotto errori a regime più ampi.
Il vantaggio prestazionale era particolarmente evidente durante le fasi altamente dinamiche della manovra. Nel caso solo AWS, una volta che gli angoli di slittamento degli pneumatici hanno superato l’intervallo lineare, ulteriori input di sterzo hanno prodotto rendimenti decrescenti e persino effetti destabilizzanti. Al contrario, il sistema coordinato ha attivato il DYC precisamente quando necessario, utilizzando la coppia differenziale per generare un momento d’imbardata aggiuntivo senza aumentare il carico laterale degli pneumatici. Ciò non solo ha ripristinato la stabilità ma ha anche preservato l’intento del guidatore minimizzando la deviazione involontaria del percorso. Gli angoli di sterzo a quattro ruote, calcolati in tempo reale in base al trasferimento di carico e al comportamento desiderato in curva, hanno dimostrato traiettorie fluide e fisicamente plausibili che rispettavano i limiti meccanici.
Oltre ai benefici immediati di stabilità, l’architettura proposta offre diversi vantaggi pratici per l’implementazione nel mondo reale. In primo luogo, si affida solo a dati sensoriali comunemente disponibili – velocità del veicolo, velocità di imbardata, accelerazione laterale e angolo di sterzo – rendendola compatibile con l’hardware esistente del controllo elettronico di stabilità (ESC). In secondo luogo, la logica decisionale del piano delle fasi è computazionalmente leggera, consentendo l’esecuzione su microcontrollori automobilistici standard senza richiedere unità di elaborazione di fascia alta. In terzo luogo, il design modulare consente un’integrazione incrementale: i produttori potrebbero inizialmente implementare il componente AWS e aggiungere successivamente il DYC man mano che le capacità di controllo del motore maturano.
Da una prospettiva di sicurezza, le implicazioni sono profonde. La perdita di controllo del veicolo in curva rimane una delle principali cause di incidenti a veicolo unico, specialmente su strade rurali con cambiamenti imprevisti della superficie. Gestendo proattivamente la transizione tra i regimi di handling lineari e non lineari, questa strategia di controllo potrebbe prevenire molti di tali incidenti. Inoltre, man mano che i sistemi di guida autonoma diventano più diffusi, tali controllori di stabilità robusti saranno essenziali per garantire un funzionamento sicuro in condizioni degradate – che sia dovuto a guasti dei sensori, maltempo o ostacoli imprevisti.
La ricerca contribuisce anche al più ampio dibattito accademico sul controllo integrato della dinamica del veicolo. Sebbene studi precedenti abbiano esplorato la coordinazione AFS/DYC o l’allocazione gerarchica della forza degli pneumatici, pochi hanno combinato la valutazione della stabilità del piano delle fasi con il controllo duale a mode sliding e l’allocazione ottimale in tempo reale in un framework unificato tailorizzato per DDEV. Il lavoro di Xia e Li colma il rigore teorico con la fattibilità pratica, offrendo un modello che può essere adattato per varie architetture veicolari – incluse piattaforme a sterzo e trazione indipendente a quattro ruote (4WIS-4WID).
Guardando avanti, gli autori suggeriscono diverse direzioni per future ricerche. Queste includono l’estensione della strategia per gestire manovre combinate longitudinali e laterali (ad esempio, frenata in curva), l’incorporazione di elementi predittivi utilizzando dati di previsione stradale e la convalida del controllore su veicoli di prova fisici. Inoltre, l’integrazione del monitoraggio dello stato del guidatore potrebbe consentire interventi di stabilità personalizzati – più aggressivi per guidatori performanti, più conservativi per utenti anziani o principianti.
In sintesi, questo studio rappresenta un significativo passo avanti nella ricerca di veicoli elettrici più sicuri e controllabili. Armonizzando lo sterzo e il torque vectoring attraverso un processo decisionale intelligente e informato dalla fisica, la proposta strategia di controllo non solo migliora la stabilità ma massimizza anche le capacità uniche delle architetture a trazione distribuita. Mentre l’industria automobilistica accelera verso l’elettrificazione e l’automazione, tali innovazioni saranno cruciali per costruire la fiducia del pubblico e realizzare il pieno potenziale della mobilità di prossima generazione.
Autori: Changgao Xia, Yazhou Li
Affiliazione: Scuola di Ingegneria Automobilistica e dei Trasporti, Università di Jiangsu, Zhenjiang 212013, Cina
Pubblicato in: Journal of Chongqing University of Technology (Natural Science), 2024, Vol. 38, No. 4, pp. 31–38
DOI: 10.3969/j.issn.1674-8425(z).2024.04.005