Algoritmo mejora precisión en estimación de dinámica vehicular
En un avance significativo para la seguridad y control vehicular, investigadores de la Facultad de Ingeniería de Vehículos y Transporte de la Universidad de Ciencia y Tecnología de Taiyuan han desarrollado un algoritmo de estimación altamente preciso para vehículos eléctricos con tracción distribuida. Este nuevo método permite determinar con gran exactitud parámetros críticos del estado del vehículo y el coeficiente de adherencia de la carretera, elementos esenciales para garantizar la estabilidad y seguridad en condiciones de conducción complejas.
La innovación, liderada por Yuan Yuan, Wang Hang, Zhao Pengju y Cheng Qingli, representa un paso adelante en la evolución de los sistemas de control activo para vehículos eléctricos modernos. A medida que la industria automotriz avanza hacia arquitecturas más inteligentes y descentralizadas, la necesidad de estimar con precisión variables como la velocidad lateral, el ángulo de deslizamiento del centro de gravedad, la velocidad de guiñada y el nivel de adherencia de la superficie de rodadura se ha vuelto crítica. Estos datos son fundamentales para el funcionamiento eficaz de sistemas como el control de estabilidad electrónica (ESC), la distribución de torque vectorial y los sistemas avanzados de asistencia al conductor (ADAS).
Uno de los mayores desafíos en este campo ha sido lograr estimaciones precisas sin depender de sensores costosos y de alto rendimiento, como unidades de medición inercial (IMU) de gama alta o sensores directos de deslizamiento. Estos dispositivos incrementan significativamente el costo de producción, limitando su uso en vehículos de gama media o económica. El enfoque presentado por el equipo de Taiyuan ofrece una solución elegante: utiliza únicamente datos disponibles en sensores de serie —acelerómetros, sensores de ángulo de dirección, sensores de velocidad de rueda y unidades inerciales básicas— para reconstruir el estado completo del vehículo con una precisión comparable a la de sistemas mucho más costosos.
El corazón del nuevo algoritmo es una versión mejorada del filtro de Kalman por cubatura (CKF), una técnica avanzada de estimación no lineal. A diferencia del filtro de Kalman extendido (EKF), que linealiza las ecuaciones del sistema y puede generar errores significativos en sistemas altamente no lineales como los vehículos, el CKF maneja directamente la no linealidad mediante una aproximación numérica basada en puntos de cubatura. Esto lo hace especialmente adecuado para modelar el comportamiento dinámico complejo de un automóvil en movimiento, donde las fuerzas laterales, longitudinales y de guiñada interactúan de manera intrincada.
Sin embargo, el equipo no se detuvo en el CKF estándar. Para aumentar aún más la robustez y estabilidad numérica del algoritmo, integraron la descomposición en valores singulares (SVD) en el proceso de actualización de la matriz de covarianza. Este paso es crucial, ya que evita que la matriz de covarianza pierda su propiedad de definición positiva —una condición necesaria para que el filtro funcione correctamente—, un problema común en sistemas embebidos con precisión aritmética limitada. La combinación de CKF y SVD resulta en un estimador más estable, con menor riesgo de divergencia, incluso en condiciones extremas de conducción.
La arquitectura del sistema es otro aspecto destacado. En lugar de tratar la estimación del estado del vehículo y el coeficiente de adherencia como problemas independientes, los investigadores diseñaron un esquema de estimación conjunta en bucle cerrado. Un estimador de estado vehicular proporciona datos al estimador de adherencia, y este último retroalimenta información que mejora la precisión del primero. Esta interacción bidireccional permite una convergencia más rápida y una mayor resiliencia frente al ruido de los sensores y las incertidumbres del modelo.
Para validar su enfoque, el equipo construyó una plataforma de simulación conjunta utilizando Carsim y Simulink, herramientas ampliamente reconocidas en la industria automotriz. Las pruebas se realizaron bajo condiciones exigentes, incluyendo maniobras de cambio de carril doble a velocidades de 30 km/h y 60 km/h, sobre superficies con alto coeficiente de adherencia (asfalto seco), bajo (superficie mojada o helada) y mixto (mitad seca, mitad mojada). Estos escenarios simulan situaciones de emergencia, como la evasión de obstáculos, donde la precisión del control es vital.
Los resultados de la simulación fueron impresionantes. El error en la estimación de la velocidad longitudinal y lateral fue inferior al 1% en comparación con los valores de referencia. El ángulo de deslizamiento del centro de gravedad, una de las variables más difíciles de medir directamente, fue estimado con una fidelidad notable, incluso durante los picos de maniobra. El coeficiente de adherencia convergió rápidamente: en menos de 0.3 segundos en superficies de baja adherencia y en 0.4 segundos en superficies de alta adherencia. Esta rapidez de respuesta es esencial para que los sistemas de control puedan reaccionar antes de que se pierda la estabilidad.
Pero las simulaciones, por muy sofisticadas que sean, no sustituyen las pruebas en condiciones reales. Es por ello que el equipo dio un paso crucial: implementó el algoritmo en una plataforma de vehículo real. El modelo desarrollado en Simulink fue convertido en código embebido y cargado en una unidad de control electrónico (ECU) a través de un interfaz de descarga. La ECU se conectó al vehículo mediante el bus CAN, el protocolo de comunicación estándar en automóviles modernos, permitiendo la adquisición de datos de sensores de producción.
Las pruebas en carretera se realizaron a 50 km/h, una velocidad representativa del tráfico urbano y extraurbano. Se evaluaron las mismas condiciones de adherencia que en la simulación. A pesar de las imperfecciones del mundo real —ruido de sensores, retrasos en el sistema, dinámica de suspensión, variaciones en la presión de los neumáticos y condiciones de la carretera no modeladas—, el algoritmo demostró una robustez excepcional. Los errores en la estimación de velocidad y ángulo de deslizamiento se mantuvieron por debajo del 5%, y el coeficiente de adherencia fue estimado con un error inferior al 10%. Aunque ligeramente menos preciso que en simulación, el comportamiento general del algoritmo fue coherente con las predicciones, lo que confirma su viabilidad para aplicaciones en producción.
Un hallazgo interesante fue que la estimación del coeficiente de adherencia fue más precisa en las ruedas delanteras que en las traseras. Esto probablemente se deba a que las ruedas delanteras, al estar asociadas con la dirección, generan más información dinámica relevante, como fuerzas laterales más pronunciadas durante el giro. Este detalle podría influir en futuros desarrollos, sugiriendo que estrategias de control que prioricen los datos de las ruedas delanteras podrían ofrecer ventajas en ciertos escenarios.
Desde una perspectiva de ingeniería automotriz, las implicaciones de esta investigación son profundas. Proporciona una vía para implementar sistemas de control avanzado sin necesidad de aumentar el costo del vehículo con sensores especializados. Esto es particularmente relevante en el contexto de la electrificación masiva, donde la reducción de costos es un factor clave para la adopción generalizada. Al mismo tiempo, mejora significativamente la capacidad del vehículo para operar de forma segura en condiciones adversas.
La metodología también tiene un potencial significativo para el desarrollo de vehículos autónomos. Un conocimiento preciso del estado del vehículo y de las condiciones de la carretera es fundamental para la planificación de trayectorias, la toma de decisiones y la evaluación de riesgos. Un algoritmo que pueda proporcionar esta información de forma confiable y económica aceleraría el desarrollo de funciones autónomas en vehículos de todos los segmentos.
Además, el uso del CKF mejorado con SVD establece un nuevo estándar en el campo de la estimación vehicular. Demuestra que es posible lograr una precisión y estabilidad superiores mediante el refinamiento de algoritmos existentes, en lugar de depender exclusivamente de mejoras en el hardware. Este enfoque alinea perfectamente con la tendencia de la industria hacia vehículos definidos por software, donde el valor se deriva cada vez más de la inteligencia algorítmica.
La investigación también subraya la importancia de un modelo de vehículo adecuado. El modelo de tres grados de libertad (3-DOF) utilizado captura los movimientos longitudinales, laterales y de guiñada de forma suficientemente precisa, mientras que mantiene una carga computacional baja, esencial para la ejecución en tiempo real en controladores embebidos. La integración del modelo de neumático Dugoff añade una capa realista de comportamiento de adherencia, mejorando la fidelidad de las simulaciones y, por extensión, la confiabilidad del algoritmo.
El éxito de este proyecto es un testimonio de la creciente contribución de instituciones académicas chinas en la ingeniería automotriz de vanguardia. La Universidad de Ciencia y Tecnología de Taiyuan, apoyada por el Programa de Orientación para la Transferencia de Tecnología de la Provincia de Shanxi, ha producido un trabajo que no solo es teóricamente sólido, sino también práctico y directamente aplicable a los desafíos del mundo real.
En resumen, el algoritmo desarrollado por Yuan Yuan y su equipo representa un avance significativo en la tecnología de control vehicular. Combina una sólida base teórica con una validación rigurosa en entornos simulados y reales, ofreciendo una solución que es precisa, robusta, eficiente y rentable. A medida que la industria continúa su transformación hacia la electrificación, la automatización y la conectividad, innovaciones como esta sentarán las bases para una movilidad más segura, eficiente e inteligente.
Yuan Yuan, Wang Hang, Zhao Pengju, Cheng Qingli, Facultad de Ingeniería de Vehículos y Transporte, Universidad de Ciencia y Tecnología de Taiyuan. Publicado en Journal of Taiyuan University of Technology. DOI: 10.16355/j.tyut.1007-9432.20230830