Control adaptativo mejora la estabilidad de vehículos eléctricos
En la constante evolución del sector automotriz, la seguridad y el control en condiciones extremas se han convertido en uno de los mayores desafíos para los vehículos eléctricos (VE). A medida que estos modelos ganan terreno en el mercado global, su comportamiento en situaciones críticas—como maniobras de emergencia, superficies de baja adherencia o altas velocidades—está bajo escrutinio. Un reciente estudio liderado por Ding Ning, estudiante de posgrado de la Jiangsu University of Technology, en colaboración con investigadores de la Tsinghua University y la Southeast University, ha presentado una innovadora estrategia de control que mejora significativamente la estabilidad lateral de los vehículos eléctricos con tracción distribuida (DDEV) cuando operan al límite de sus capacidades dinámicas.
La investigación, publicada en el Journal of Chongqing University of Technology (Natural Science), introduce un marco de control de optimización adaptativa que ajusta sus parámetros en tiempo real según la dinámica del vehículo. Este sistema, denominado Control Predictivo de Modelo Autoadaptativo (SAMPC), representa un avance sustancial frente a los métodos tradicionales de control predictivo basado en modelos (MPC), que suelen emplear factores de ponderación fijos. El enfoque propuesto por el equipo de investigación no solo mejora la precisión del control, sino que también aumenta la seguridad y el confort en condiciones límite, sin comprometer la eficiencia computacional.
Uno de los aspectos más destacados de esta investigación es su enfoque en la evaluación de la estabilidad mediante el análisis del plano de fases. Este método permite visualizar la relación entre el ángulo de deriva del centro de gravedad del vehículo (β) y su tasa de cambio (β̇). Al graficar estas variables, es posible delimitar claramente tres zonas: una zona estable, una zona de transición o borde de estabilidad y una zona inestable. Esta segmentación permite al sistema de control tomar decisiones más inteligentes y contextuales. Cuando el vehículo opera dentro de la zona estable, las intervenciones son mínimas, preservando el confort y la eficiencia energética. A medida que el vehículo se acerca al límite de estabilidad, el sistema incrementa gradualmente su nivel de intervención. Y una vez que se entra en la zona inestable, el control se intensifica para recuperar la estabilidad lo antes posible.
Este enfoque diferenciado y progresivo es lo que distingue al SAMPC de los sistemas convencionales. Mientras que muchos controladores tradicionales reaccionan de forma abrupta ante cualquier desviación, el SAMPC actúa con sutileza, adaptándose al estado real del vehículo. Esta capacidad de adaptación dinámica se traduce en una experiencia de conducción más natural y segura, especialmente en situaciones de alto riesgo como evasiones repentinas o cambios bruscos de carril.
El corazón del sistema es su capacidad para ajustar los pesos de entrada en el algoritmo de control predictivo. En los sistemas MPC estándar, los pesos que determinan la importancia relativa del ángulo de deriva y la velocidad de guiñada (γ) son fijos. Sin embargo, en la práctica, la relevancia de estos parámetros cambia según las condiciones. Por ejemplo, en una curva controlada, la velocidad de guiñada es clave para mantener la trayectoria. En una maniobra de emergencia, donde el riesgo de deslizamiento lateral es alto, el ángulo de deriva se convierte en el indicador crítico de estabilidad.
El SAMPC resuelve esta limitación mediante un algoritmo que ajusta dinámicamente los pesos en función de la proximidad del estado del vehículo a la frontera de estabilidad en el plano de fases. Cuando el vehículo es estable, el sistema prioriza el seguimiento preciso de la velocidad de guiñada, asegurando una respuesta ágil y predecible. A medida que aumenta el riesgo de inestabilidad, el peso del ángulo de deriva se incrementa drásticamente, haciendo que el sistema priorice la recuperación de la orientación del vehículo sobre cualquier otro objetivo. Esta capacidad de cambiar estratégicamente su enfoque lo convierte en un sistema excepcionalmente robusto y versátil.
Para implementar las correcciones calculadas—específicamente, el momento de guiñada adicional necesario—el sistema emplea una estrategia de distribución de torque innovadora y altamente eficiente. La forma en que se distribuye el torque entre las cuatro ruedas es fundamental para generar el momento de guiñada deseado. Una distribución inadecuada puede debilitar el efecto deseado o incluso empeorar la situación. La nueva metodología no solo considera las limitaciones físicas de los neumáticos, sino que también equilibra múltiples objetivos de rendimiento.
Uno de los objetivos principales es minimizar la utilización de los neumáticos. Este indicador mide cuán cerca está cada neumático de alcanzar su límite máximo de adherencia. Si todos los neumáticos operan cerca de su capacidad máxima, el vehículo pierde margen para responder a perturbaciones adicionales. Al minimizar la utilización total, el sistema mantiene un margen de seguridad que le permite reaccionar a eventos imprevistos. Otro objetivo clave es maximizar la capacidad de tracción y la eficiencia, lo cual se logra optimizando las tasas de deslizamiento de las ruedas. El deslizamiento influye directamente en el consumo de energía y en la aceleración.
La gran innovación radica en cómo el sistema equilibra estos dos objetivos, que a menudo entran en conflicto. El equipo de investigación ha desarrollado una función de optimización con pesos adaptativos. La importancia relativa de la estabilidad (baja utilización de neumáticos) frente al rendimiento (eficiencia y tracción) se ajusta dinámicamente según el estado de estabilidad del vehículo. En condiciones normales, se da prioridad al rendimiento. En situaciones críticas, la estabilidad se convierte en el objetivo principal, y el sistema redistribuye el torque para maximizar la estabilidad, incluso si esto implica una ligera pérdida de eficiencia.
Otro aspecto destacado es la diferenciación entre las ruedas delanteras y traseras. Los investigadores argumentan que los vehículos con tendencia al subviraje—donde el vehículo tiende a no girar lo suficiente en una curva—son más seguros e intuitivos para la mayoría de los conductores. Para fomentar este comportamiento, el sistema asigna un peso más alto a las ruedas traseras en la función de optimización. Esto significa que el sistema es más propenso a reducir el torque en las ruedas traseras para evitar el sobreviraje (pérdida de tracción en la parte trasera). Este peso no es fijo, sino que varía dinámicamente según la desviación de la velocidad de guiñada y la proximidad al límite de estabilidad, permitiendo un control fino que mejora activamente la seguridad.
La eficacia del SAMPC fue validada mediante extensas simulaciones utilizando una plataforma integrada CarSim-Matlab/Simulink. Como vehículo de prueba, se utilizó un modelo virtual de un hatchback de clase C, un tipo de vehículo común y representativo. Las simulaciones se centraron en maniobras de doble cambio de carril, una prueba estándar que simula la evasión de un obstáculo y el retorno a la vía. Este escenario pone a prueba severamente el sistema de estabilidad y es un indicador confiable del rendimiento en situaciones de emergencia.
Los resultados fueron concluyentes. En comparación con un sistema MPC convencional, el SAMPC mostró una mejora significativa en la estabilidad. Con un coeficiente de fricción de μ=0,4 (similar a una carretera mojada) y una velocidad de 70 km/h, el error absoluto promedio del ángulo de deriva se redujo en un 49,4%, y el error cuadrático medio (RMSE) disminuyó en un 55,3%. Estos números indican que el vehículo con el nuevo control se mantiene mucho más cerca de su trayectoria ideal, lo que facilita enormemente el control para el conductor.
Incluso en condiciones extremas, con una adherencia muy baja de μ=0,2 (similar a una carretera helada) y una velocidad alta de 90 km/h, el SAMPC logró mejoras significativas. Aunque las limitaciones físicas de los neumáticos reducen el margen de maniobra, el error absoluto promedio del ángulo de deriva se redujo en un 24,5% y el RMSE en un 23,8%. Esto demuestra la robustez del método y su capacidad para proporcionar un valioso margen de seguridad incluso en las circunstancias más desfavorables.
Un factor crucial para la aplicabilidad práctica de cualquier sistema de control es su tiempo de cálculo. Los algoritmos complejos que tardan demasiado en tomar decisiones son inútiles para la estabilidad del vehículo, ya que la situación puede cambiar en milisegundos. Los investigadores abordaron este desafío utilizando un modelo lineal de dos grados de libertad para el control predictivo, en lugar de un modelo más complejo de siete grados. Esto reduce drásticamente la carga computacional sin sacrificar la esencia de la dinámica del vehículo. Además, el algoritmo de distribución de torque evita métodos de optimización iterativos complejos, calculando en su lugar una solución analítica directa. Esta combinación de simplificación del modelo y eficiencia algorítmica garantiza que el SAMPC pueda operar en tiempo real, un requisito indispensable para su implementación en vehículos de producción.
La publicación de esta investigación en el Journal of Chongqing University of Technology (Natural Science) subraya el creciente liderazgo de China en el desarrollo de tecnologías automotrices avanzadas. La colaboración entre la Jiangsu University of Technology, la Tsinghua University y la Southeast University demuestra cómo equipos interdisciplinarios de ingeniería automotriz, control y electrónica pueden desarrollar soluciones innovadoras para desafíos complejos. El trabajo de Ding Ning, Bei Shaoyi y sus colegas no es solo un avance teórico, sino que ofrece un enfoque práctico y claro para mejorar la seguridad de los vehículos eléctricos.
En un contexto donde la industria automotriz se enfrenta al reto de garantizar la seguridad de los vehículos autónomos, el desarrollo de sistemas de estabilidad robustos y adaptativos es de vital importancia. Un vehículo autónomo debe ser capaz de manejar con seguridad las situaciones más difíciles sin depender de la intervención humana. La capacidad del SAMPC para adaptarse dinámicamente a condiciones cambiantes y actuar de forma proactiva lo convierte en un candidato ideal para su integración en futuros sistemas de conducción autónoma. Representa un cambio de paradigma de sistemas de seguridad reactivos a sistemas proactivos que previenen errores mediante predicción inteligente y adaptación.
En resumen, este estudio representa una contribución significativa al progreso de la dinámica vehicular. Demuestra que, mediante una combinación inteligente de control adaptativo, análisis de planos de fases y optimización eficiente, es posible mejorar considerablemente la estabilidad de los vehículos eléctricos en condiciones extremas. Los resultados no solo son de interés para la comunidad científica, sino que también tienen el potencial de influir directamente en el desarrollo de vehículos de producción futuros, aumentando así la seguridad en las carreteras para todos los usuarios.
Ding Ning, Bei Shaoyi, Li Bo, Tang Haoran, Yin Guodong. Adaptive optimization control for lateral stability of distributed drive electric vehicle. Journal of Chongqing University of Technology (Natural Science), 2024, 38(8): 64–73. doi: 10.3969/j.issn.1674-8425(z).2024.08.007