Nuevo sistema mejora estabilidad y precisión en vehículos eléctricos de tracción integral
La evolución de la movilidad autónoma exige soluciones que no solo optimicen el rendimiento, sino que también garanticen la seguridad en situaciones extremas. En este contexto, los vehículos eléctricos con tracción independiente en las cuatro ruedas representan una revolución tecnológica, ya que permiten un control dinámico sin precedentes sobre cada rueda. Un equipo de investigadores de la Universidad Tongji, liderado por Shuping Chen, Zhiguo Zhao y Kun Zhao, ha desarrollado una estrategia de control jerárquico que eleva el estándar en precisión de seguimiento de trayectoria y estabilidad en maniobras de emergencia, especialmente durante maniobras de evasión.
Publicado en la revista Journal of Tongji University (Natural Science), el estudio introduce un enfoque coordinado que combina el control predictivo basado en modelos con una asignación óptima de torque, logrando un equilibrio entre agilidad y seguridad. Este avance es particularmente relevante en un momento en que los sistemas de conducción autónoma deben demostrar su capacidad para manejar escenarios críticos, como el cambio de carril de emergencia en condiciones de baja adherencia.
El sistema propuesto se estructura en dos niveles: un controlador superior y uno inferior. El primero, basado en el control predictivo lineal variante en el tiempo (LTV MPC), se encarga de planificar el movimiento del vehículo. Utiliza un modelo de vehículo de 8 grados de libertad para predecir el comportamiento futuro del automóvil y calcular las acciones de control óptimas. A diferencia de los modelos más simples, este modelo incluye dinámicas de balanceo, guiñada y movimiento lateral, lo que proporciona una representación mucho más realista del comportamiento del vehículo, especialmente durante maniobras combinadas de aceleración y giro.
Un aspecto innovador del controlador superior es la integración directa de un control de velocidad basado en PID dentro del marco de optimización del MPC. Esto significa que el sistema no solo se enfoca en minimizar la desviación lateral respecto a la trayectoria deseada, sino que también regula activamente la velocidad longitudinal. Al actualizar constantemente la velocidad predicha en cada ciclo de control, el sistema mantiene una trayectoria más coherente, incluso durante aceleraciones o frenadas bruscas. Esta integración es crucial para escenarios de evasión, donde un control inadecuado de la velocidad puede agravar la inestabilidad.
La verdadera potencia del sistema reside en su capacidad para gestionar activamente la estabilidad del vehículo. El controlador superior no solo genera un ángulo de giro deseado para las ruedas delanteras, sino que también calcula un momento de guiñada adicional. Este momento no se produce mediante frenado selectivo o cambios de dirección extremos, sino a través de la vectorización de torque, una técnica que aprovecha la capacidad única de los vehículos de tracción integral para aplicar diferentes niveles de torque a las ruedas izquierda y derecha. Al generar un momento de guiñada activo, el sistema puede contrarrestar tendencias al subviraje o sobreviraje, manteniendo el vehículo estable incluso durante maniobras agresivas.
Este momento de guiñada adicional, junto con el torque total requerido para la aceleración o deceleración, se envía al controlador inferior. Aquí es donde entra en juego el algoritmo de programación cuadrática (QP). Su tarea es distribuir de manera óptima el torque total y el momento de guiñada entre las cuatro ruedas, resolviendo un problema de optimización complejo en tiempo real. El objetivo no es simplemente cumplir con las demandas del nivel superior, sino hacerlo de la manera más eficiente y segura posible.
El algoritmo de QP considera múltiples objetivos simultáneos. Primero, minimiza el error entre el torque demandado y el torque realmente aplicado en cada rueda, asegurando una respuesta precisa. Segundo, busca minimizar la utilización del neumático, un indicador clave de la reserva de adherencia disponible. Un neumático altamente utilizado está cerca de su límite de fricción, lo que reduce su capacidad para generar fuerzas laterales en caso de una perturbación. Al mantener la utilización baja, el sistema preserva una mayor margen de estabilidad. Tercero, el algoritmo intenta reducir la pérdida de energía por deslizamiento longitudinal, lo que no solo mejora la eficiencia energética, sino que también previene el sobrecalentamiento de los neumáticos.
Para garantizar que las soluciones sean físicamente realizables, el algoritmo de QP incorpora estrictas restricciones. Estas incluyen los límites de torque máximo de los motores de cada rueda y los límites de adherencia de la carretera, definidos por el coeficiente de fricción. Esta consideración de las limitaciones del mundo real es lo que convierte la teoría en una solución práctica y robusta.
La validez de esta estrategia de control se demostró mediante simulaciones extensas utilizando un modelo de vehículo de 14 grados de libertad como «planta» de prueba. Este modelo de alta fidelidad, que incluye dinámicas de suspensión y un modelo de neumático de «brush» que captura la no linealidad y el acoplamiento entre fuerzas longitudinales y laterales, proporciona un entorno de prueba extremadamente realista. El escenario principal fue la maniobra de doble cambio de carril, un estándar de la industria para evaluar la capacidad de evasión de obstáculos.
Las simulaciones se realizaron bajo diversas condiciones: diferentes velocidades (36 km/h, 72 km/h y 90 km/h), diferentes coeficientes de adherencia de la carretera (μ = 0.85, 0.8 y 0.3) y con y sin el control de estabilidad activo. Los resultados fueron concluyentes. En todos los casos, el vehículo controlado por el nuevo sistema demostró una excelente precisión de seguimiento de trayectoria. Incluso a 90 km/h, la desviación lateral máxima se mantuvo por debajo de 0.28 metros, un margen de seguridad aceptable. Más impresionante aún fue su comportamiento en condiciones de baja adherencia (μ = 0.3), donde un vehículo convencional habría perdido fácilmente el control. El sistema mantuvo ángulos de balanceo y velocidades de guiñada dentro de límites seguros, evitando cualquier pérdida de estabilidad.
Al comparar el sistema propuesto con un controlador que solo se enfocaba en el seguimiento de la trayectoria, la diferencia fue clara. La integración del control de estabilidad mejoró la precisión de seguimiento en hasta un 35% y redujo significativamente los errores en el ángulo de rumbo. Este hallazgo desafía la noción de que la estabilidad y la precisión son objetivos contradictorios; en cambio, demuestra que una gestión activa de la estabilidad mejora directamente la capacidad de seguimiento.
Otro beneficio clave fue la reducción del ángulo de giro necesario. Al corregir la trayectoria mediante la vectorización de torque en lugar de depender exclusivamente del giro de las ruedas delanteras, el sistema permitió ángulos de dirección más pequeños. Esto no solo reduce la carga en los neumáticos delanteros, mejorando su vida útil y el confort de conducción, sino que también aumenta la previsibilidad del comportamiento del vehículo. En superficies resbaladizas, donde grandes ángulos de giro pueden superar rápidamente el límite de adherencia, esta capacidad es fundamental.
La elección del LTV MPC como algoritmo principal también aporta una gran ventaja: la adaptabilidad. Al linealizar el modelo del vehículo en torno al punto de operación actual en cada paso de tiempo, el controlador puede adaptarse dinámicamente a cambios en la velocidad, la distribución de carga y las condiciones de la carretera. Esto lo hace mucho más robusto que los controladores de ganancia fija, que asumen un comportamiento del sistema constante.
Desde el punto de vista de la implementación práctica, la estrategia es altamente viable. Los vehículos eléctricos modernos de tracción integral ya poseen la infraestructura necesaria: motores individuales en cada rueda, redes de comunicación de alta velocidad y una amplia gama de sensores. Los requisitos computacionales del LTV MPC y del QP son manejables con los procesadores automotrices actuales, especialmente con horizontes de predicción cortos.
La arquitectura modular del sistema también permite una gran flexibilidad. Las matrices de ponderación en el MPC pueden ajustarse para priorizar diferentes aspectos según el modo de conducción: eficiencia en modo «eco», confort en modo «normal» o dinamismo en modo «deportivo». De manera similar, el objetivo de asignación de torque en el nivel inferior puede modificarse para enfatizar la eficiencia energética o la tracción máxima.
Las implicaciones de esta investigación trascienden el ámbito académico. A medida que las organizaciones de seguridad como Euro NCAP intensifican su enfoque en las capacidades de evasión automática, los fabricantes de automóviles necesitarán soluciones como esta para cumplir con los estándares de seguridad más estrictos. Este sistema no solo mejora la seguridad, sino que también puede diferenciar un vehículo en un mercado cada vez más competitivo.
El trabajo de Chen, Zhao y Zhao sienta las bases para futuras investigaciones. Los autores sugieren que futuros desarrollos podrían incorporar métricas de estabilidad contra vuelcos, especialmente importantes para vehículos más altos como SUVs. Además, la implementación de métodos de sintonización adaptativa para los coeficientes de ponderación, posiblemente mediante técnicas de aprendizaje automático, podría mejorar aún más el rendimiento en condiciones variables.
En conclusión, esta investigación representa un avance significativo en el campo del control de vehículos autónomos. Al unificar el seguimiento de trayectoria y la estabilidad de guiñada en un marco de control coherente y eficiente, ofrece una solución práctica para uno de los desafíos más críticos de la movilidad del futuro. A medida que los vehículos eléctricos de tracción integral se vuelvan más comunes, estrategias de control como esta serán fundamentales para garantizar que la promesa de la conducción autónoma se cumpla con la máxima seguridad y confianza.
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