Nuovo algoritmo stima dinamica del veicolo e attrito stradale
In un settore automobilistico sempre più orientato verso l’elettrificazione e la guida autonoma, la capacità di conoscere con precisione lo stato dinamico del veicolo e le condizioni della strada rappresenta un elemento fondamentale per la sicurezza, la stabilità e l’efficienza dei sistemi di controllo avanzati. Un recente studio condotto da un team di ricercatori della Facoltà di Ingegneria dei Veicoli e dei Trasporti dell’Università di Scienza e Tecnologia di Taiyuan ha fatto un passo avanti significativo in questa direzione, sviluppando un algoritmo innovativo in grado di stimare con elevata accuratezza parametri chiave come la velocità longitudinale e laterale, l’angolo di deriva del baricentro e il coefficiente di aderenza della strada, tutto questo senza ricorrere a sensori costosi e di difficile implementazione.
La ricerca, guidata da Yuan Yuan, Wang Hang, Zhao Pengju e Cheng Qingli, si concentra sui veicoli elettrici a trazione distribuita, una configurazione in cui ogni ruota è azionata da un motore elettrico indipendente. Questa architettura offre un controllo dinamico estremamente preciso, ma richiede un monitoraggio costante e affidabile dello stato del veicolo. Tuttavia, sensori diretti come le unità di misurazione inerziale (IMU) ad alta precisione o i sensori di deriva sono spesso troppo costosi per essere integrati nei veicoli di serie, creando un ostacolo per la diffusione di tecnologie di sicurezza avanzate. L’obiettivo del team cinese è stato quindi quello di progettare un sistema di stima che fosse allo stesso tempo economico, robusto e altamente preciso, sfruttando esclusivamente i dati disponibili dai sensori già presenti in un’automobile moderna.
La soluzione proposta si basa su un sofisticato approccio di filtraggio noto come Filtro di Kalman per Cubatura (CKF), ulteriormente potenziato dall’uso della Decomposizione in Valori Singolari (SVD). Il CKF è una tecnica avanzata per la stima di sistemi non lineari, superiore al più noto Filtro di Kalman Esteso (EKF). Mentre l’EKF tenta di linearizzare le complesse equazioni dinamiche del veicolo, rischiando di introdurre errori significativi, il CKF utilizza un metodo numerico basato su punti di cubatura per approssimare direttamente la distribuzione di probabilità dello stato del sistema. Questo lo rende molto più adatto a gestire le forti non linearità che caratterizzano il comportamento di un’auto in curva o durante manovre evasive.
Il contributo principale del team di Taiyuan è stato l’integrazione della SVD nel processo di aggiornamento del filtro. La SVD è una potente tecnica matematica che scompone una matrice in componenti fondamentali, garantendo una maggiore stabilità numerica. Nell’ambito del CKF, ciò significa che la matrice di covarianza, che rappresenta l’incertezza della stima, rimane sempre ben condizionata e positiva definita. Questo è un aspetto cruciale, poiché in sistemi embedded con risorse di calcolo limitate, errori di arrotondamento possono accumularsi e portare alla divergenza del filtro, facendo sì che le stime diventino rapidamente inaffidabili. L’algoritmo SVD-CKF sviluppato dai ricercatori è quindi intrinsecamente più robusto e adatto per applicazioni in tempo reale su una centralina elettronica (ECU) di un veicolo.
La vera genialità della metodologia, tuttavia, risiede nella sua architettura di stima congiunta. Invece di operare in modo sequenziale, il sistema è progettato come un ciclo chiuso bidirezionale. Un primo estimatore utilizza i dati dei sensori – accelerazione longitudinale e laterale, velocità di imbardata, angolo di sterzo e forze longitudinali alle ruote – per stimare la velocità del veicolo e l’angolo di deriva. Questi risultati vengono quindi forniti a un secondo estimatore, il cui compito è calcolare il coefficiente di aderenza della strada per ciascuna ruota. A sua volta, la stima del coefficiente di aderenza viene utilizzata per raffinare il modello del pneumatico (in questo caso, il modello Dugoff), migliorando così la precisione delle forze laterali previste e, di conseguenza, la stima della velocità e dell’angolo di deriva. Questa retroazione continua crea un processo di auto-correzione che aumenta esponenzialmente l’accuratezza e la tempestività delle stime.
Per validare la bontà del loro algoritmo, i ricercatori hanno innanzitutto condotto un’ampia campagna di simulazioni utilizzando la piattaforma Carsim/Simulink, uno standard riconosciuto nell’industria automobilistica. I test sono stati eseguiti su manovre di doppio cambio di corsia, una prova estremamente severa che simula una manovra di emergenza per evitare un ostacolo. Sono stati simulati diversi scenari critici: strade ad alto attrito (asfalto asciutto), a basso attrito (strada bagnata o ghiacciata) e a aderenza disomogenea (una metà della strada secca e l’altra bagnata, nota come “split-μ”). Questi test sono stati effettuati a velocità di 30 km/h e 60 km/h, con un intervallo di campionamento di soli 1 millisecondo, per garantire una simulazione il più possibile realistica.
I risultati delle simulazioni sono stati eccezionali. L’errore nella stima della velocità longitudinale e laterale è stato inferiore all’1% rispetto ai valori di riferimento. L’angolo di deriva, un parametro estremamente difficile da misurare direttamente e fondamentale per la stabilità, è stato seguito con grande fedeltà, anche durante i picchi di manovra. Forse il risultato più impressionante riguarda il coefficiente di aderenza: l’algoritmo è stato in grado di convergere verso il valore reale in meno di 0,3 secondi su superfici a basso attrito e in 0,4 secondi su superfici ad alto attrito. Questa rapidità di risposta è vitale per i sistemi di controllo, che devono agire in frazioni di secondo per prevenire sbandate o testacoda.
Tuttavia, le simulazioni, per quanto accurate, non possono sostituire il mondo reale. È qui che la ricerca ha fatto un ulteriore salto di qualità. Il team ha implementato l’algoritmo su un veicolo reale. Il modello Simulink dell’estimatore è stato convertito in codice embedded e scaricato su un’ECU. Questa centralina si è interfacciata con i sensori del veicolo attraverso il bus CAN, acquisendo dati da un accelerometro, un sensore di angolo di sterzo, un’unità inerziale per la velocità longitudinale e la velocità di imbardata, e i sensori di velocità delle ruote.
I test su strada sono stati condotti a 50 km/h, una velocità rappresentativa del traffico urbano e extraurbano. Anche in condizioni reali, con tutte le complessità aggiuntive come le irregolarità della strada, le vibrazioni della sospensione, le variazioni della pressione dei pneumatici e il rumore dei sensori, l’algoritmo ha dimostrato una notevole robustezza. Gli errori nelle stime di velocità e angolo di deriva sono rimasti entro il 5%, e il coefficiente di aderenza è stato stimato con un errore inferiore al 10%. Sebbene leggermente meno preciso rispetto alle simulazioni – un divario attribuibile a dinamiche non modellate e a ritardi di sistema – il comportamento generale del sistema è stato coerente con i risultati simulati, dimostrando la sua applicabilità pratica.
Un’osservazione interessante emersa dai test è stata la differenza di prestazione tra le ruote anteriori e posteriori. La stima del coefficiente di aderenza è risultata più precisa e rapida sulle ruote anteriori. Questo è probabilmente dovuto al fatto che le ruote anteriori, essendo sterzanti, generano una maggiore quantità di informazioni dinamiche rilevanti durante le manovre, come forze laterali più pronunciate. Questa scoperta potrebbe influenzare il design futuro dei sistemi di controllo, suggerendo che strategie di stima che danno maggiore peso ai dati delle ruote anteriori possano offrire vantaggi in termini di prestazioni.
Le implicazioni di questo lavoro sono profonde per l’industria automobilistica. Fornisce una strada chiara per implementare sistemi di controllo della stabilità, come l’ESP e il Torque Vectoring, su un’ampia gamma di veicoli senza doverne aumentare il costo con sensori specializzati. Ciò è particolarmente importante per la diffusione dei veicoli elettrici, dove ogni euro risparmiato può accelerare l’adozione di massa. Allo stesso tempo, migliora drasticamente la capacità del veicolo di operare in modo sicuro in condizioni difficili, come pioggia, neve o strade miste.
Inoltre, questo algoritmo rappresenta un pilastro fondamentale per lo sviluppo dei veicoli autonomi. Per prendere decisioni sicure, un’auto a guida autonoma deve avere una comprensione perfetta del proprio stato e delle condizioni della strada. Un sistema in grado di fornire queste informazioni in modo affidabile e a basso costo è un tassello essenziale del puzzle. La capacità dell’algoritmo di rilevare rapidamente un cambiamento nell’aderenza, ad esempio quando si passa da un tratto asciutto a uno bagnato, è una funzionalità critica per la pianificazione del percorso e la gestione del rischio.
Lo studio dimostra anche l’importanza di un modello dinamico accurato ma efficiente. Il modello a 3 gradi di libertà (3-DOF) utilizzato, che cattura i movimenti longitudinali, laterali e di imbardata, è stato progettato per essere sufficientemente dettagliato da essere utile, ma abbastanza leggero da poter essere eseguito in tempo reale su un’ECU con risorse limitate. L’integrazione del modello di pneumatico Dugoff, che tiene conto della forza laterale in funzione dello slip e del carico verticale, aggiunge un ulteriore strato di realismo.
Il successo di questo progetto è un esempio di come la ricerca accademica possa affrontare problemi ingegneristici pratici con soluzioni innovative. Sostenuto dal Programma di Orientamento per il Trasferimento Tecnologico della Provincia di Shanxi, il lavoro del team di Taiyuan unisce una solida base teorica a una rigorosa validazione sperimentale, offrendo una soluzione che è non solo tecnicamente avanzata, ma anche commercialmente realizzabile.
In conclusione, l’algoritmo di stima congiunta basato su SVD-CKF sviluppato da Yuan Yuan e colleghi rappresenta un notevole progresso nella tecnologia automobilistica. Combina precisione, robustezza, efficienza computazionale e basso costo, rispondendo a molte delle sfide che frenano l’adozione di sistemi di controllo avanzati. Mentre il settore continua la sua trasformazione verso veicoli più intelligenti, elettrici e autonomi, innovazioni come questa gettano le basi per un futuro della mobilità più sicuro, efficiente e accessibile a tutti.
Yuan Yuan, Wang Hang, Zhao Pengju, Cheng Qingli, Facoltà di Ingegneria dei Veicoli e dei Trasporti, Università di Scienza e Tecnologia di Taiyuan. Pubblicato su Journal of Taiyuan University of Technology. DOI: 10.16355/j.tyut.1007-9432.20230830