Nuovo controllo per veicoli elettrici a trazione integrale migliora stabilità e precisione
Nell’era dell’automazione, la sicurezza e la precisione nei momenti critici definiscono il valore di un veicolo intelligente. Un team di ricercatori della Tongji University ha sviluppato un innovativo sistema di controllo per veicoli elettrici a trazione indipendente su tutte e quattro le ruote, progettato per affrontare una delle sfide più complesse della guida autonoma: mantenere la traiettoria prevista senza compromettere la stabilità del veicolo durante manovre di emergenza come l’evasione improvvisa di un ostacolo.
La ricerca, condotta da Shuping Chen, Zhiguo Zhao e Kun Zhao presso la School of Automotive Studies della Tongji University e pubblicata sul Journal of Tongji University (Natural Science), introduce una strategia di controllo gerarchica che integra in modo sinergico la tracciatura del percorso e la stabilità direzionale. Il cuore del sistema è un approccio a due livelli, in cui un controllore superiore basato sulla Model Predictive Control (MPC) a parametri variabili nel tempo calcola le azioni di guida ottimali, mentre un controllore inferiore le traduce in comandi fisici precisi per i quattro motori elettrici.
La guida autonoma richiede un equilibrio precario tra agilità e sicurezza. Mentre molti sistemi si concentrano sull’inseguimento del percorso desiderato minimizzando la deviazione laterale, spesso trascurano il rischio di instabilità. In situazioni di guida estrema, come una manovra di evasione a velocità elevata su una strada scivolosa, un input di sterzo eccessivo può portare a un sovrasterzo o sottosterzo incontrollato, con conseguente perdita di aderenza e potenziale sbandata. Il sistema sviluppato a Tongji affronta direttamente questo conflitto di obiettivi.
L’approccio gerarchico è la chiave del successo. Il livello superiore, l’unità di pianificazione, utilizza un sofisticato algoritmo di controllo predittivo lineare variante nel tempo (LTV MPC). A differenza dei modelli più semplici, questo algoritmo si basa su un modello di veicolo ad 8 gradi di libertà per prevedere il comportamento futuro del veicolo. Questo modello dettagliato include non solo il movimento longitudinale e laterale, ma anche la dinamica di imbardata (yaw) e rollio (roll), offrendo una rappresentazione molto più realistica del comportamento del veicolo in condizioni di carico combinato.
L’innovazione centrale risiede nell’integrazione del controllo della velocità all’interno del ciclo di ottimizzazione MPC. Un controllore PID per la velocità longitudinale è incorporato direttamente nel framework del MPC, il che significa che il sistema non ottimizza solo la traiettoria laterale, ma tiene conto in tempo reale anche delle variazioni di velocità. A ogni passo di calcolo, il valore della velocità longitudinale prevista viene aggiornato, consentendo al sistema di adattarsi dinamicamente a frenate o accelerazioni durante la manovra. Questa capacità di gestione integrata della velocità e della traiettoria è fondamentale per manovre complesse come il doppio cambio di corsia.
Il controllore superiore genera due comandi principali: l’angolo di sterzo desiderato per le ruote anteriori e un momento di imbardata aggiuntivo. Questo momento non è prodotto dal freno o da sterzi estremi, ma viene generato attivamente attraverso la vettorizzazione del momento, una caratteristica unica dei veicoli a trazione integrale. Il sistema calcola la differenza di coppia necessaria tra le ruote sinistra e destra per creare un momento che stabilizzi attivamente il veicolo, contrastando tendenze al sovrasterzo o al sottosterzo. Questo approccio permette di correggere la traiettoria con angoli di sterzo più piccoli, riducendo lo stress sui pneumatici anteriori e migliorando il comfort.
Il secondo livello, il livello di allocazione, è responsabile di tradurre questi comandi di alto livello in azioni fisiche. Riceve dal livello superiore la coppia totale richiesta (per accelerazione o frenata) e il momento di imbardata aggiuntivo. Il suo compito è distribuire in modo ottimale questi “forze generalizzate” ai quattro motori delle ruote. Questo viene fatto utilizzando un algoritmo di Programmazione Quadratica (QP), un potente strumento matematico per risolvere problemi di ottimizzazione in tempo reale.
L’obiettivo del QP non è semplicemente soddisfare la richiesta, ma farlo nel modo più efficiente e sicuro possibile. L’algoritmo persegue simultaneamente tre obiettivi principali. In primo luogo, minimizza l’errore tra la coppia richiesta e quella effettivamente applicata a ciascuna ruota, garantendo una risposta precisa. In secondo luogo, mira a ridurre al minimo il “tire utilization”, un indicatore critico della stabilità. Questo valore rappresenta il rapporto tra la forza esercitata sul pneumatico e la forza massima disponibile grazie all’aderenza. Mantenere questo valore basso significa che il pneumatico ha ancora una riserva di forza laterale per reagire a perturbazioni impreviste, aumentando il margine di sicurezza. In terzo luogo, il sistema cerca di minimizzare la perdita di energia dovuta allo slittamento longitudinale, migliorando l’efficienza energetica e prevenendo il surriscaldamento dei pneumatici.
Per garantire che la soluzione sia fisicamente realizzabile, l’algoritmo QP rispetta rigorosi vincoli. Questi includono i limiti di coppia massima dei motori delle singole ruote e i limiti di aderenza della strada, definiti dal coefficiente di attrito. Questa considerazione delle limitazioni reali del sistema è ciò che trasforma una teoria elegante in una soluzione pratica e robusta.
La validità di questa strategia di controllo è stata dimostrata attraverso estese simulazioni utilizzando un modello di veicolo ad alta fedeltà a 14 gradi di libertà come “impianto” (plant model). Questo modello, molto più dettagliato del modello a 8 DOF usato per le previsioni, include la dinamica delle sospensioni e un sofisticato modello di pneumatico “a spazzola” (brush tire model) che cattura accuratamente la non-linearità e il forte accoppiamento tra forze longitudinali e laterali quando il pneumatico è vicino al suo limite di aderenza. Questo ambiente di simulazione fornisce un test molto realistico delle prestazioni del controllore in condizioni estreme.
Lo scenario di prova principale è stato il manovra del “doppio cambio di corsia” (double lane change), uno standard industriale per valutare le capacità di evasione di emergenza. Le simulazioni sono state condotte a diverse velocità (36 km/h, 72 km/h e 90 km/h), su diverse superfici (con coefficienti di aderenza μ = 0.85, 0.8 e 0.3) e con e senza il controllo attivo di stabilità abilitato.
I risultati sono stati impressionanti. In tutte le condizioni, il veicolo controllato dal nuovo sistema ha dimostrato un’eccellente precisione nel seguire la traiettoria desiderata. Anche a 90 km/h, la deviazione laterale massima è rimasta inferiore a 0.28 metri, un margine di sicurezza accettabile. Il vero successo, tuttavia, è stato osservato in condizioni di bassa aderenza (μ = 0.3). Mentre un veicolo convenzionale avrebbe probabilmente perso il controllo, il sistema sviluppato a Tongji ha mantenuto angoli di deriva del baricentro e velocità di imbardata entro limiti sicuri, evitando completamente la perdita di stabilità.
Un confronto diretto con un controllore che si concentra esclusivamente sul tracciamento della traiettoria ha evidenziato il vantaggio del sistema integrato. L’integrazione del controllo di stabilità ha migliorato la precisione del tracciamento fino al 35% e ha ridotto significativamente gli errori nell’angolo di rotta. Questo dimostra che la stabilità non è un obiettivo secondario, ma un fattore che migliora direttamente la capacità di seguire la traiettoria.
Un altro beneficio significativo è la riduzione dell’angolo di sterzo necessario. Generando il momento correttivo attraverso la vettorizzazione della coppia invece di affidarsi solo allo sterzo delle ruote anteriori, il sistema ha permesso angoli di sterzo più piccoli. Questo non solo riduce l’usura dei pneumatici e il carico sulla colonna dello sterzo, ma rende anche il comportamento del veicolo più prevedibile e confortevole per i passeggeri.
L’uso del LTV MPC conferisce al sistema un’adattabilità intrinseca. Linearizzando il modello del veicolo attorno al punto di funzionamento corrente a ogni passo di tempo, il controllore può adattarsi dinamicamente a cambiamenti di velocità, distribuzione del carico e condizioni della strada. Questo lo rende molto più robusto rispetto ai controllori a guadagno fisso, che assumono parametri di sistema costanti.
Dal punto di vista della fattibilità pratica, la strategia è altamente realizzabile. I moderni veicoli elettrici a trazione integrale dispongono già dell’hardware necessario: motori indipendenti per ogni ruota, reti di comunicazione ad alta velocità e una vasta gamma di sensori. I requisiti computazionali del LTV MPC e del QP sono gestibili con i processori automobilistici di ultima generazione, specialmente con orizzonti di predizione relativamente brevi.
L’architettura modulare del sistema offre anche grande flessibilità. Le matrici di peso nella funzione di costo del MPC possono essere sintonizzate per dare priorità a comfort, efficienza o prestazioni, a seconda del modo di guida selezionato. Allo stesso modo, l’obiettivo di allocazione della coppia al livello inferiore può essere adattato per enfatizzare il risparmio energetico o la trazione massima.
Le implicazioni di questa ricerca vanno ben oltre l’ambiente accademico. Man mano che le organizzazioni di sicurezza come Euro NCAP intensificano i test sulle capacità di evasione automatica, i costruttori avranno bisogno di soluzioni come questa per soddisfare gli standard di sicurezza più rigorosi. Questo sistema non solo migliora la sicurezza, ma può anche diventare un fattore di differenziazione chiave in un mercato automobilistico sempre più competitivo.
Il lavoro di Chen, Zhao e Zhao getta le basi per sviluppi futuri. Gli autori suggeriscono che ricerche future potrebbero incorporare metriche di stabilità contro il ribaltamento, particolarmente importanti per SUV e furgoni elettrici. Inoltre, l’implementazione di metodi di sintonizzazione adattativa per i coefficienti di peso, possibilmente utilizzando tecniche di apprendimento automatico, potrebbe migliorare ulteriormente le prestazioni in condizioni variabili.
In conclusione, questa ricerca rappresenta un progresso significativo nel campo del controllo dei veicoli autonomi. Unendo tracciatura della traiettoria e stabilità di imbardata in un’unica architettura coerente ed efficiente, offre una soluzione pratica a una delle sfide più critiche della mobilità futura. Mentre i veicoli elettrici a trazione integrale diventeranno sempre più comuni, strategie di controllo come questa saranno fondamentali per garantire che la promessa della guida autonoma si realizzi con il massimo livello di sicurezza e fiducia.
Shuping Chen, Zhiguo Zhao, Kun Zhao, School of Automotive Studies, Tongji University. Journal of Tongji University (Natural Science), DOI: 10.11908/j.issn.0253-374x.24713