Estrategia Avanzada de Control para Vehículos Eléctricos
La movilidad eléctrica está redefiniendo rápidamente el panorama automotriz, y garantizar la estabilidad del vehículo—especialmente bajo condiciones extremas—se ha convertido en una prioridad de ingeniería crítica. Un estudio innovador publicado en el Journal of Chongqing University of Technology (Natural Science) presenta una novedosa arquitectura de control jerárquico que mejora significativamente la estabilidad lateral de los vehículos eléctricos de tracción distribuida (VETD) mediante la coordinación inteligente del control directo del momento de guiñada (DYC) y la dirección integral (AWS). La investigación, dirigida por el profesor Changgao Xia y el estudiante de posgrado Yazhou Li de la Facultad de Ingeniería Automotriz y de Transporte de la Universidad de Jiangsu, propone una estrategia robusta y capaz de operar en tiempo real que utiliza el análisis del plano de fases, el control dual por modos deslizantes y la asignación óptima de fuerzas en los neumáticos para mantener la estabilidad incluso en superficies de baja fricción.
Los vehículos eléctricos de tracción distribuida—equipados con motores individuales en cada rueda—ofrecen una flexibilidad de control inigualable en comparación con los trenes motrices convencionales. Sin embargo, esta ventaja arquitectónica también introduce dinámicas complejas que requieren una coordinación sofisticada entre los sistemas de dirección y distribución de par. Los enfoques tradicionales suelen tratar la estabilidad de guiñada y el control de la dirección como funciones separadas, lo que genera un rendimiento subóptimo cuando ambos sistemas operan simultáneamente sin una sinergia adecuada. La nueva estrategia propuesta por Xia y Li aborda esta brecha integrando AWS y DYC en un marco unificado que se adapta dinámicamente según el estado del vehículo y las condiciones de la carretera en tiempo real.
El corazón de esta innovación reside en una arquitectura de control de dos capas. La capa superior emplea un controlador dual por modos deslizantes que rastrea dos señales de referencia clave derivadas de un modelo lineal de bicicleta de dos grados de libertad: la velocidad lateral ideal y la tasa de guiñada ideal. Estas referencias representan el comportamiento deseado del vehículo bajo condiciones de conducción estables. El controlador compara continuamente los valores reales medidos por los sensores con estos ideales y genera dos salidas principales: una corrección de ángulo de dirección adicional y una demanda de momento de guiñada adicional. Se eligió el control por modos deslizantes por su inherente robustez frente a incertidumbres de parámetros y perturbaciones externas—una característica crítica para escenarios de conducción real que involucran vientos cruzados, superficies irregulares o maniobras repentinas.
Lo que distingue a este enfoque es cómo la capa inferior de control interpreta y ejecuta estos comandos de alto nivel. En lugar de aplicar correcciones ciegamente, el sistema utiliza el plano de fases ω–β—que grafica la tasa de guiñada contra el ángulo de deslizamiento lateral—para evaluar la proximidad del vehículo a la inestabilidad. Este método del plano de fases, utilizado durante mucho tiempo en la dinámica teórica de vehículos, se operacionaliza aquí como una herramienta de toma de decisiones en tiempo real. Dentro de un límite de estabilidad definido matemáticamente (expresado como ω + B₁β ≤ B₂), el sistema depende principalmente de ajustes de dirección. Pero una vez que el estado del vehículo cruza este umbral—indicando sobreviraje o subviraje incipiente—el controlador activa seamlessmente el DYC para complementar la dirección con una distribución diferencial de par en las ruedas.
Esta transición no es abrupta sino cuidadosamente coordinada. A medida que el vehículo se acerca al límite de estabilidad, el sistema AWS ordena los ángulos de dirección máximos factibles basados en las cargas actuales de los neumáticos y la fricción de la carretera. Cualquier demanda de estabilidad residual más allá de lo que la dirección por sí sola puede proporcionar es entonces cumplida por el DYC mediante la manipulación precisa de la fuerza longitudinal en cada rueda. Esta sinergia garantiza que ambos sistemas operen dentro de sus dominios óptimos: la dirección para correcciones finas de alto ancho de banda en la región lineal del neumático, y el vectorizado de par para intervenciones gruesas de alta magnitud en el régimen no lineal.
Un logro técnico clave del estudio es la formulación del problema de asignación de fuerzas de los neumáticos como una tarea de optimización con restricciones. El controlador inferior minimiza una función de costo que representa la utilización de los neumáticos—específicamente, la suma de las fuerzas longitudinales normalizadas al cuadrado en las cuatro ruedas—sujeta a restricciones físicas impuestas por la elipse de fricción. Esto asegura que ningún neumático exceda su límite de adherencia mientras genera colectivamente la fuerza longitudinal exacta y el momento de guiñada demandados por la capa superior. La solución respeta tanto las restricciones de igualdad (balance de fuerza y momento total) como las restricciones de desigualdad (límites de fuerza de los neumáticos dictados por la carga vertical y el coeficiente de fricción de la carretera). Los comandos de par resultantes se asignan luego a los motores individuales de las ruedas a través de un modelo simplificado pero preciso de motor de cubo.
Para validar su estrategia, Xia y Li realizaron cosimulaciones de alta fidelidad utilizando CarSim y MATLAB/Simulink. Seleccionaron la maniobra de cambio de carril doble—una prueba estándar para evaluar la capacidad de evitación de emergencias—a una velocidad constante de 54 km/h en diversas condiciones de carretera (μ = 0.3, 0.6 y 0.9). Se compararon tres configuraciones de control: solo AWS, solo DYC y la estrategia coordinada propuesta AWS+DYC. Los resultados fueron inequívocos. En todas las condiciones probadas, el enfoque coordinado produjo el seguimiento más cercano a la respuesta ideal del vehículo en términos de velocidad lateral, tasa de guiñada y desplazamiento lateral. Notablemente, en la superficie de baja fricción (μ = 0.3)—que simula carreteras mojadas o heladas—el controlador coordinado mantuvo la precisión de la trayectoria con una sobreoscilación o oscilación mínima, mientras que el sistema solo AWS exhibió una desviación significativa debido a una autoridad correctiva insuficiente, y el sistema solo DYC, si bien estabilizador, produjo errores en estado estacionario más grandes.
La ventaja de rendimiento fue particularmente evidente durante las fases de alta dinámica de la maniobra. En el caso de solo AWS, una vez que los ángulos de deslizamiento de los neumáticos excedieron el rango lineal, las entradas de dirección adicionales produjeron rendimientos decrecientes e incluso efectos desestabilizadores. En contraste, el sistema coordinado activó el DYC precisamente cuando era necesario, utilizando par diferencial para generar un momento de guiñada adicional sin aumentar la carga lateral de los neumáticos. Esto no solo restauró la estabilidad sino que también preservó la intención del conductor al minimizar la desviación no deseada de la trayectoria. Los ángulos de dirección de las cuatro ruedas, calculados en tiempo real basados en la transferencia de carga y el comportamiento deseado en curvas, demostraron trayectorias suaves y físicamente plausibles que respetaban los límites mecánicos.
Más allá de los beneficios inmediatos de estabilidad, la arquitectura propuesta ofrece varias ventajas prácticas para la implementación en el mundo real. Primero, depende únicamente de datos de sensores comúnmente disponibles—velocidad del vehículo, tasa de guiñada, aceleración lateral y ángulo de dirección—lo que la hace compatible con el hardware existente de control electrónico de estabilidad (ESC). Segundo, la lógica de decisión del plano de fases es computacionalmente liviana, permitiendo su ejecución en microcontroladores automotrices estándar sin requerir unidades de procesamiento de alta gama. Tercero, el diseño modular permite una integración incremental: los fabricantes podrían implementar inicialmente el componente AWS y agregar luego el DYC a medida que maduren las capacidades de control de motores.
Desde una perspectiva de seguridad, las implicaciones son profundas. La pérdida de control del vehículo durante el viraje sigue siendo una causa principal de accidentes de un solo vehículo, especialmente en carreteras rurales con cambios de superficie inesperados. Al gestionar proactivamente la transición entre regímenes de manejo lineales y no lineales, esta estrategia de control podría prevenir muchos de estos incidentes. Además, a medida que los sistemas de conducción autónoma se vuelven más prevalentes, tales controladores de estabilidad robustos serán esenciales para garantizar una operación segura bajo condiciones degradadas—ya sea por falla de sensores, clima adverso u obstáculos inesperados.
La investigación también contribuye al discurso académico más amplio sobre el control integrado de la dinámica vehicular. Si bien estudios previos han explorado la coordinación AFS/DYC o la asignación jerárquica de fuerzas de los neumáticos, pocos han combinado la evaluación de estabilidad del plano de fases con el control dual por modos deslizantes y la asignación óptima en tiempo real en un marco unificado diseñado para VETD. El trabajo de Xia y Li tiende un puente entre el rigor teórico y la viabilidad práctica, ofreciendo una plantilla que puede adaptarse para varias arquitecturas de vehículos—incluidas las plataformas de dirección y tracción independiente en las cuatro ruedas (4WIS-4WID).
Mirando hacia el futuro, los autores sugieren varias vías para trabajos posteriores. Estas incluyen extender la estrategia para manejar maniobras longitudinales y laterales combinadas (por ejemplo, frenar mientras se vira), incorporar elementos predictivos utilizando datos de previsualización de la carretera y validar el controlador en vehículos de prueba físicos. Adicionalmente, integrar el monitoreo del estado del conductor podría permitir intervenciones de estabilidad personalizadas—más agresivas para conductores de alto rendimiento, más conservadoras para usuarios mayores o novatos.
En resumen, este estudio representa un paso significativo hacia adelante en la búsqueda de vehículos eléctricos más seguros y controlables. Al armonizar la dirección y el vectorizado de par mediante una toma de decisiones inteligente e informada por la física, la estrategia de control propuesta no solo mejora la estabilidad sino que también maximiza las capacidades únicas de las arquitecturas de tracción distribuida. A medida que la industria automotriz acelera hacia la electrificación y la automatización, tales innovaciones serán cruciales para generar confianza pública y realizar todo el potencial de la movilidad de próxima generación.
Autores: Changgao Xia, Yazhou Li
Afiliación: Facultad de Ingeniería Automotriz y de Transporte, Universidad de Jiangsu, Zhenjiang 212013, China
Publicado en: 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