Nuovo algoritmo migliora stima stato veicolo elettrico
Nell’era della mobilità intelligente, la capacità di stimare con precisione lo stato dinamico di un veicolo in tempo reale è diventata un fattore determinante per lo sviluppo di sistemi avanzati di assistenza alla guida (ADAS) e tecnologie di guida autonoma. La sicurezza, la stabilità e l’efficienza di un’automobile dipendono in modo cruciale dalla conoscenza accurata di parametri fondamentali come la velocità longitudinale, la velocità di imbardata e l’angolo di deriva del baricentro. Tuttavia, nonostante i notevoli progressi tecnologici, un ostacolo persistente rimane la modellizzazione delle proprietà dei pneumatici, in particolare la loro rigidità laterale, spesso trattata come una costante nei modelli tradizionali, nonostante vari in modo significativo in base alle condizioni di guida.
Un team di ricercatori dell’Università di Shijiazhuang Tiedao, guidato da Fu Yuesheng e dai professori Li Shaohua e Wang Guiyang, ha presentato un’innovazione di rilievo in questo campo. Il loro lavoro, pubblicato sulla rivista Mechanical Science and Technology for Aerospace Engineering, introduce un algoritmo ibrido chiamato FAEKF+FFRLS, progettato per migliorare drasticamente la precisione della stima dello stato del veicolo attraverso l’aggiornamento in tempo reale della rigidità laterale dei pneumatici. Questo approccio innovativo non solo supera le limitazioni dei modelli lineari tradizionali, ma stabilisce anche un nuovo standard per la stima congiunta di stati e parametri nei veicoli elettrici intelligenti.
L’importanza di questa ricerca risiede nel suo approccio integrato e realistico. La maggior parte dei sistemi di stima attuali si basa su modelli di veicolo che assumono una rigidità laterale dei pneumatici costante, una semplificazione valida solo in condizioni di guida moderate. Tuttavia, in situazioni estreme, come manovre di emergenza, guida ad alta velocità su superfici scivolose o frenate brusche, i pneumatici operano nella loro regione non lineare, dove la forza laterale generata non aumenta proporzionalmente all’angolo di deriva. Quando un algoritmo di stima utilizza un valore fisso di rigidità, gli errori risultanti possono compromettere gravemente la precisione della stima dello stato del veicolo, influenzando negativamente le prestazioni dei sistemi di controllo della stabilità e della sicurezza. L’algoritmo proposto da Fu, Li e Wang affronta direttamente questa debolezza trattando la rigidità laterale come un parametro dinamico che evolve con le condizioni di guida.
Il cuore dell’algoritmo FAEKF+FFRLS risiede nell’integrazione di due potenti metodologie in un’architettura incorporata. Il primo componente è il Filtro di Kalman Esteso Adattivo Fuzzy (FAEKF), responsabile della stima degli stati chiave del veicolo: velocità longitudinale, velocità di imbardata e angolo di deriva del baricentro. A differenza del filtro di Kalman esteso (EKF) convenzionale, le cui matrici di covarianza del rumore vengono mantenute costanti, il FAEKF incorpora un controllore fuzzy che regola dinamicamente il guadagno di Kalman. Questa regolazione si basa sul confronto tra la covarianza teorica del residuo di misurazione (la differenza tra la predizione del modello e il valore misurato reale) e la sua covarianza pratica. Se il residuo è maggiore del previsto, il controllore interpreta che il rumore di misurazione è aumentato e regola il guadagno per dare più peso alle misurazioni, e viceversa. Questa adattabilità conferisce all’algoritmo un’eccezionale robustezza di fronte a cambiamenti imprevisti nella qualità dei sensori, una caratteristica cruciale per la sua applicazione nel mondo reale.
Il secondo componente è il metodo dei Minimi Quadrati Ricorsivi con Fattore di Dimenticanza (FFRLS), dedicato esclusivamente alla stima in linea della rigidità laterale dei pneumatici. Invece di dipendere da misurazioni dirette dell’angolo di deriva del baricentro, difficili da ottenere con precisione, il FFRLS utilizza un metodo indiretto noto come metodo di accoppiamento laterale-imbardata. Questo metodo combina le equazioni del moto laterale e di imbardata del veicolo, eliminando la dipendenza diretta dall’angolo di deriva. Gli ingressi per questo stimatore sono l’accelerazione laterale misurata, la velocità di imbardata stimata, la velocità longitudinale e l’angolo di sterzo, dati comunemente disponibili nei veicoli moderni. Il fattore di dimenticanza è una caratteristica chiave del FFRLS, poiché consente all’algoritmo di dare più peso ai dati recenti e “dimenticare” gradualmente i dati più vecchi. Questo è fondamentale perché la stima della rigidità si adatti rapidamente a repentini cambiamenti nelle condizioni di aderenza, ad esempio passando da una strada asciutta a una zona ghiacciata.
La vera innovazione del lavoro di Fu e dei suoi colleghi non è semplicemente l’uso di queste due tecniche, ma la loro integrazione in un ciclo chiuso e incorporato. Il processo inizia con il FAEKF, che esegue una previsione dello stato del veicolo. Questa previsione, in particolare la velocità longitudinale e la velocità di imbardata, viene utilizzata come ingresso per lo stimatore FFRLS. Il FFRLS calcola quindi un nuovo valore aggiornato per la rigidità laterale dei pneumatici. Questo valore appena stimato viene immediatamente retroazionato al modello dinamico utilizzato dal FAEKF, migliorando così la precisione della successiva previsione di stato. Questo ciclo continuo di stima dello stato, stima del parametro e retroazione reciproca crea un sistema di correzione automatica che migliora significativamente la precisione e la stabilità di entrambe le stime. Questa architettura evita i problemi di latenza e sovraccarico computazionale che possono sorgere quando gli stimatori di stato e di parametro operano in modo indipendente e si comunicano attraverso interfacce esterne.
Per validare l’efficacia dell’algoritmo, il team di Shijiazhuang Tiedao ha condotto estese simulazioni di co-simulazione utilizzando Trucksim e MATLAB/Simulink. Hanno selezionato uno scenario di doppia manovra di cambio di corsia, una manovra ad alta intensità che mette alla prova i limiti di stabilità del veicolo, e l’hanno valutata in tre condizioni estreme: bassa velocità (30 km/h) su una superficie a bassa aderenza (coefficiente di attrito μ = 0,3), alta velocità (80 km/h) su una superficie ad alta aderenza (μ = 0,8), e la condizione più impegnativa, alta velocità su bassa aderenza (80 km/h, μ = 0,3). I risultati sono stati conclusivi. In tutti i casi, l’algoritmo FAEKF+FFRLS ha superato ampiamente l’EKF standard. Il miglioramento è stato più pronunciato nella condizione più estrema. Ad esempio, nel test di 80 km/h su μ = 0,3, l’errore relativo nella stima dell’angolo di deriva del baricentro si è ridotto dal preoccupante 41,0% con l’EKF a soli 5,36% con il nuovo algoritmo. Analogamente, l’errore nella stima della velocità di imbardata è diminuito dal 10,09% al 3,88%. Questi risultati dimostrano che l’algoritmo non è solo più preciso, ma anche più robusto e stabile in condizioni dinamiche severe.
L’approccio dei ricercatori è anche notevole per il suo focus sulla praticabilità. L’algoritmo è stato progettato tenendo conto dei veicoli elettrici con propulsione distribuita, specificamente quelli con motori a ruota. Un vantaggio intrinseco di questa configurazione è che la coppia e la velocità di rotazione del motore sono facilmente misurabili. Gli autori hanno sfruttato questa caratteristica per calcolare direttamente le forze longitudinali su ogni ruota utilizzando un modello dinamico della ruota, fornendo una stima molto più precisa della forza di trazione o frenata rispetto ai metodi indiretti. Questa informazione ad alta fedeltà viene incorporata nel modello del veicolo, migliorando ulteriormente la base su cui si basa la stima dello stato.
Le implicazioni di questa ricerca vanno oltre il semplice miglioramento di un algoritmo. Una stima precisa dell’angolo di deriva del baricentro è il cuore di qualsiasi sistema di controllo della stabilità elettronico (ESC). Un algoritmo in grado di fornire questa stima con una precisione così elevata, anche in condizioni di bassa aderenza, ha il potenziale per rendere i sistemi di sicurezza più efficaci e reattivi, prevenendo gli incidenti prima che accadano. Inoltre, la stima in tempo reale della rigidità laterale dei pneumatici può servire come indicatore indiretto del coefficiente di attrito della strada. Un repentino calo della rigidità stimata potrebbe avvisare il sistema di controllo del veicolo di una perdita di aderenza, consentendo una risposta proattiva, come una riduzione automatica della velocità o una ridistribuzione della coppia motrice. Questa capacità di anticipazione è un passo cruciale verso veicoli veramente intelligenti e proattivi.
Lo studio sottolinea anche l’importanza della collaborazione interdisciplinare. Combina principi di dinamica dei veicoli, teoria del controllo, logica fuzzy e elaborazione dei segnali per creare una soluzione che è maggiore della somma delle sue parti. La pubblicazione di questo lavoro su una rivista peer-reviewed di alto livello, Mechanical Science and Technology for Aerospace Engineering, ne convalida il rigore scientifico e la rilevanza tecnica.
Il futuro di questa linea di ricerca è promettente. Gli autori prevedono di validare l’algoritmo su veicoli strumentati in prove reali, un passo essenziale per valutarne le prestazioni di fronte alle imperfezioni del mondo reale, come rumori di sensore inaspettati e dinamiche non modellate. A lungo termine, l’algoritmo potrebbe essere espanso per stimare altri parametri variabili, come la massa totale del veicolo o la pendenza della strada. L’integrazione di tecniche di apprendimento automatico potrebbe permettere al sistema di apprendere da esperienze di guida passate, affinando continuamente le sue stime e adattandosi a diversi tipi di pneumatici o stili di guida.
In un momento in cui la sicurezza stradale e l’automazione sono priorità globali, il lavoro di Fu Yuesheng, Li Shaohua e Wang Guiyang rappresenta un progresso significativo. Riconoscendo e modellando la natura dinamica e mutevole delle proprietà dei pneumatici, il loro algoritmo FAEKF+FFRLS non solo migliora la precisione della stima, ma pone anche le basi per una generazione di veicoli più sicuri, intelligenti e affidabili. È un esempio di come una comprensione più profonda della fisica fondamentale del veicolo possa portare a innovazioni che trasformano l’esperienza di guida.
Fu Yuesheng, Li Shaohua, Wang Guiyang, Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20220190