Nuova Strategia ACC per Veicoli Elettrici
Un significativo balzo in avanti nella tecnologia del controllo adattivo della velocità di crociera (ACC) per veicoli elettrici è stato raggiunto da un team di ricercatori della Shanghai University of Engineering Science. I professori Hu Shengli, Zhang Huanhuan, Jiang Zhongshun e Chang Xiaoyu hanno sviluppato una strategia di controllo innovativa e multilivello che promette di elevare notevolmente la sicurezza, l’efficienza e il comfort dei veicoli elettrici con trazione distribuita. Questa ricerca, pubblicata sulla prestigiosa rivista Mechanical Science and Technology for Aerospace Engineering, presenta un approccio olistico progettato per affrontare alcune delle più persistenti limitazioni dei sistemi ACC attuali, in particolare in condizioni di guida complesse come salite e curve. Il lavoro rappresenta un punto di riferimento fondamentale per l’industria automobilistica, dimostrando come un’ingegneria sofisticata possa risolvere problemi pratici che influenzano direttamente l’esperienza del conducente e le prestazioni del veicolo.
La storia del controllo adattivo della velocità di crociera è un riflesso diretto dell’evoluzione verso la guida autonoma. Da un semplice sistema per mantenere una velocità costante, l’ACC si è trasformato in una tecnologia complessa in grado di mantenere una distanza di sicurezza dal veicolo che precede, fermandosi completamente e ripartendo nel traffico congestionato. Il cuore di quasi tutti i moderni sistemi ACC ruota intorno al concetto del “tempo di distanza” (time headway), ovvero il tempo necessario a un veicolo che segue per raggiungere il punto in cui si trova attualmente il veicolo che precede. Inizialmente, questo valore era fisso, ma la tendenza industriale si è spostata verso modelli a tempo di distanza variabile (VTH), che possono adattare la distanza di sicurezza in base alla velocità relativa e all’accelerazione, offrendo un’esperienza di guida più naturale e sicura. Mentre sono state applicate diverse teorie di controllo, come PID, logica fuzzy e reti neurali, il Controllo Predittivo Modello (MPC) ha guadagnato popolarità grazie alla sua capacità di gestire obiettivi multipli e spesso contrastanti—come sicurezza, comfort ed efficienza energetica—all’interno di un unico framework di ottimizzazione. Il team della Shanghai University of Engineering Science ha costruito su questa base, identificando due critiche lacune nei sistemi esistenti che la loro nuova strategia mira a colmare: l’inaccuratezza della misurazione della distanza da parte dei sensori su strade non pianeggianti o rettilinee e l’inefficienza computazionale degli algoritmi MPC quando si utilizzano orizzonti di previsione lunghi.
La sfida più fondamentale affrontata dai ricercatori è l’inaccuratezza intrinseca dei sensori radar e lidar quando si guida in salita o in curva. Questi sensori misurano la distanza in linea retta tra due veicoli, che non corrisponde alla distanza effettiva lungo la strada. Su una salita, la distanza in linea d’aria misurata dal sensore è più corta della lunghezza del percorso reale che un veicolo deve percorrere. Analogamente, in una curva, la distanza della corda misurata dal sensore è inferiore alla lunghezza dell’arco della strada. Questa discrepanza può indurre un sistema ACC a credere di essere più vicino al veicolo che precede di quanto non lo sia in realtà, causando frenate inutili e fastidiose, o, nel peggiore dei casi, un fallimento nel mantenere una distanza di sicurezza se il sistema calcola male e si avvicina troppo. Per correggere questo problema, il team ha progettato una sofisticata strategia di compensazione della distanza. Per la guida in salita, hanno sviluppato un modello che calcola la distanza reale proiettando la misurazione del sensore sul piano orizzontale, aggiungendo efficacemente la componente orizzontale mancante della pendenza. Per la guida in curva, hanno utilizzato principi geometrici basati sulla posizione del veicolo e sul raggio noto o stimato della curva per convertire i dati del sensore in linea retta nella lunghezza dell’arco corretta. Questa correzione in tempo reale garantisce che il sistema ACC operi sempre con una comprensione accurata della distanza reale dal veicolo che precede, un fattore cruciale sia per la sicurezza che per un’esperienza di guida fluida e sicura. L’efficacia di questa strategia è stata validata attraverso simulazioni, dove il segnale di distanza compensato divergeva dai dati grezzi del sensore quando il veicolo che precede entrava in una salita, per poi convergere nuovamente una volta che il veicolo che segue era salito a sua volta, dimostrando la precisione e la reattività del modello.
Con un segnale di distanza affidabile stabilito, i ricercatori hanno rivolto la loro attenzione al nucleo del sistema ACC: il controllore di livello superiore responsabile del calcolo del comando di accelerazione o decelerazione ottimale. Hanno scelto il MPC come fondamento di questo controllore, una scelta naturale per il problema di bilanciare obiettivi multipli come la sicurezza (minimizzando gli errori di distanza e velocità), il comfort (limitando accelerazioni brusche e scossoni) e l’efficienza energetica (minimizzando il consumo di energia). Tuttavia, una limitazione ben nota del MPC è il compromesso tra orizzonte di previsione e carico computazionale. Un orizzonte più lungo permette al controllore di anticipare eventi futuri in modo più efficace, portando a un controllo più fluido e ottimale. Un orizzonte più lungo, però, significa anche più calcoli, il che può sovraccaricare l’unità di controllo elettronico (ECU) del veicolo e ridurre le prestazioni in tempo reale del sistema. Per superare questo ostacolo, il team ha introdotto un metodo di “discretizzazione a passo variabile”. Questo approccio innovativo divide l’orizzonte di previsione in due parti distinte. Nel breve termine, dove il controllo immediato e preciso è più critico, viene utilizzato un passo di tempo corto, fornendo un’elevata risoluzione e precisione. Nel lungo termine, dove il momento esatto di una manovra è meno importante della tendenza generale, viene impiegato un passo di tempo più lungo, riducendo drasticamente il numero di calcoli necessari. Questo metodo ibrido permette al sistema di mantenere un orizzonte di previsione lungo per una pianificazione superiore, mantenendo al contempo il carico computazionale gestibile, assicurando sia un’elevata precisione che una capacità di risposta in tempo reale. Questo progresso è particolarmente importante per i veicoli elettrici, dove l’efficienza energetica è fondamentale, poiché un profilo di guida più preciso e fluido si traduce direttamente in un consumo energetico ridotto e un’autonomia maggiore.
Il controllore MPC di livello superiore emette un singolo comando di accelerazione desiderata. Il componente finale e altrettanto critico del sistema è il controllore di livello inferiore, che traduce questo comando di alto livello in azioni specifiche per gli attuatori del veicolo: i motori e i freni. Per un veicolo elettrico con trazione distribuita, che ha un motore indipendente su ogni ruota, questo presenta un’opportunità unica per l’ottimizzazione. I ricercatori hanno progettato un sistema di controllo di livello inferiore che include un modello inverso della dinamica longitudinale, un modello inverso del sistema di trazione e un modello inverso del sistema di frenata. Ciò consente al controllore di calcolare con precisione la coppia totale richiesta per raggiungere l’accelerazione desiderata. Un elemento chiave è la logica di commutazione tra frenata e trazione, che dà priorità alla frenata rigenerativa utilizzando i motori elettrici. Solo quando la capacità di frenata del motore è insufficiente, il sistema attiva i freni idraulici convenzionali, massimizzando così il recupero di energia e migliorando ulteriormente l’efficienza.
L’aspetto più innovativo del controllo di livello inferiore è la strategia di distribuzione della coppia. Invece di dividere semplicemente la coppia totale richiesta in modo equo tra le quattro ruote, i ricercatori hanno sviluppato un algoritmo che ottimizza la distribuzione per massimizzare l’efficienza di guida complessiva del veicolo. Questa strategia si basa sul principio che i motori elettrici hanno livelli di efficienza diversi a seconda del loro punto di funzionamento, in particolare la coppia e la velocità di rotazione. L’algoritmo calcola continuamente la distribuzione della coppia ottimale per gli assi anteriore e posteriore, e persino tra le ruote sinistra e destra dello stesso asse, per assicurare che ogni motore operi nel suo intervallo più efficiente. Questa ottimizzazione è vincolata da limiti fisici, come la coppia massima che ogni motore può produrre e l’aderenza del pneumatico sulla strada, per garantire sicurezza e stabilità. Il team ha testato questa strategia in due scenari di guida principali: guida in linea retta e percorrenza di curve.
Nello scenario di guida in linea retta, i risultati della simulazione sono stati chiari. Quando il veicolo viaggiava a velocità costante, la strategia di distribuzione della coppia ottimizzata ha raggiunto un’efficienza di trazione complessiva misurabilmente più alta rispetto a una semplice strategia di divisione equa. Questa differenza, sebbene apparentemente piccola in termini percentuali, rappresenta un guadagno tangibile in termini di risparmio energetico durante la vita utile del veicolo. L’importanza di questa scoperta risiede nel fatto che anche nella condizione di guida più basilare, una strategia di controllo intelligente può estrarre un’efficienza aggiuntiva dal gruppo propulsivo. Nello scenario di percorrenza di curve, i risultati sono stati altrettanto convincenti. L’algoritmo è riuscito a mantenere con successo la stabilità del veicolo aderendo ai principi della geometria di sterzata Ackermann, assicurando che le ruote interne ed esterne ricevessero velocità appropriate. Più importante ancora, nonostante la maggiore complessità di una curva, la distribuzione della coppia ottimizzata ha superato nuovamente il metodo di divisione equa, dimostrando che i guadagni di efficienza non vengono sacrificati per la guidabilità. La simulazione ha mostrato che l’efficienza di trazione complessiva è rimasta costantemente più alta durante l’intera manovra, inclusa l’accelerazione fuori dalla curva.
La natura olistica di questa ricerca è stata validata attraverso una serie di simulazioni rigorose nell’ambiente CarSim/Simulink, uno strumento standard nell’industria automobilistica per i test virtuali dei veicoli. Tre scenari di guida distinti e impegnativi sono stati utilizzati per testare l’intero sistema ACC. Il primo è stato uno scenario di “stop and go” su una strada rettilinea, che simula un traffico pesante. I risultati hanno mostrato che il sistema poteva accelerare e decelerare in modo fluido, mantenendo una distanza di sicurezza senza frenate brusche o movimenti a scatti. Il secondo scenario prevedeva il seguire un veicolo che precede su una salita del 10%. Quando il veicolo che precede è entrato in salita, la strategia di compensazione della distanza ha corretto immediatamente il segnale di distanza, impedendo al veicolo che segue di avvicinarsi troppo. Il sistema ha poi gestito senza problemi la maggiore richiesta di potenza per salire, dimostrando un’eccellente performance di inseguimento. Il terzo scenario era un percorso complesso con curve a sinistra e a destra con raggi diversi. Il sistema ha gestito senza intoppi le transizioni da sezioni rettilinee a curve, con la strategia di distribuzione della coppia che si adattava in tempo reale alla dinamica in continua evoluzione. Durante tutti gli scenari, l’accelerazione del veicolo è rimasta entro limiti confortevoli, confermando il focus del sistema sulla qualità della guida.
Le implicazioni di questa ricerca sono di vasta portata. Per i produttori automobilistici, questa strategia di controllo offre una soluzione pronta per l’implementazione che può migliorare le prestazioni delle loro prossime generazioni di veicoli elettrici. La combinazione di una maggiore sicurezza in salita e in curva, un’efficienza energetica superiore grazie alla distribuzione ottimizzata della coppia e un’esperienza di guida più fluida e confortevole affronta direttamente le principali preoccupazioni dei consumatori. Per il più ampio campo dei sistemi di trasporto intelligenti, questo lavoro rappresenta un passo significativo verso sistemi di guida autonoma più affidabili e capaci. Garantendo che il veicolo abbia una percezione accurata del suo ambiente e possa prendere decisioni ottimali con efficienza computazionale, questa tecnologia aiuta a gettare le basi per livelli più elevati di automazione. Il successo del metodo di discretizzazione a passo variabile potrebbe anche ispirare approcci simili in altri sistemi di controllo del veicolo, come il mantenimento della corsia o la gestione predittiva dell’energia.
In conclusione, il team di ricerca della Shanghai University of Engineering Science ha presentato una soluzione olistica ed estremamente efficace per le sfide del controllo adattivo della velocità di crociera nei veicoli elettrici con trazione distribuita. Affrontando i problemi di inaccuratezza del sensore, inefficienza computazionale e controllo subottimale degli attuatori con una serie di strategie interconnesse e intelligenti, hanno creato un sistema che è più della somma delle sue parti. Il loro lavoro dimostra una profonda comprensione sia dei fondamenti teorici dell’ingegneria del controllo che delle realtà pratiche della dinamica del veicolo. Mentre l’industria automobilistica continua la sua rapida transizione verso l’elettrificazione e l’automazione, ricerche come questa non sono solo un esercizio accademico; sono l’ingegneria essenziale che definirà l’esperienza di guida del futuro. Questa nuova strategia ACC si erge come un testimone del potere dell’innovazione nel creare un trasporto più sicuro, efficiente e piacevole.
Hu Shengli, Zhang Huanhuan, Jiang Zhongshun, Chang Xiaoyu, Shanghai University of Engineering Science, Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20220211