Nuevo algoritmo mejora precisión en vehículos eléctricos
La evolución de los vehículos inteligentes ha transformado radicalmente la forma en que se concibe la movilidad moderna. En este contexto, la estimación precisa del estado dinámico de un vehículo se ha convertido en un pilar fundamental para el desarrollo de sistemas avanzados de asistencia al conductor (ADAS) y tecnologías de conducción autónoma. La capacidad de determinar con exactitud parámetros como la velocidad longitudinal, la velocidad de guiñada y el ángulo de deslizamiento lateral del centro de gravedad es esencial para garantizar la seguridad, estabilidad y eficiencia del vehículo en condiciones de conducción variables. Sin embargo, a pesar de los avances en algoritmos de estimación, persiste un desafío crítico: la modelización de las propiedades de los neumáticos, especialmente su rigidez lateral, que tradicionalmente se ha considerado constante, aunque en la realidad varía significativamente según las condiciones de manejo.
Un equipo de investigadores de la Universidad de Shijiazhuang Tiedao, liderado por Fu Yuesheng, junto con los profesores Li Shaohua y Wang Guiyang, ha presentado un avance significativo en esta área. Su trabajo, publicado en la revista Mechanical Science and Technology for Aerospace Engineering, introduce un novedoso algoritmo híbrido denominado FAEKF+FFRLS, diseñado para mejorar drásticamente la precisión de la estimación del estado del vehículo mediante la actualización en tiempo real de la rigidez lateral de los neumáticos. Este enfoque innovador no solo supera las limitaciones de los modelos lineales tradicionales, sino que también establece un nuevo estándar para la estimación conjunta de estados y parámetros en vehículos eléctricos inteligentes.
La importancia de esta investigación radica en su enfoque integral y realista. La mayoría de los sistemas de estimación actuales se basan en modelos de vehículo que asumen una rigidez lateral de los neumáticos constante, lo cual es una simplificación válida solo en condiciones de conducción moderadas. No obstante, en situaciones extremas—como maniobras de evasión, conducción a alta velocidad en superficies resbaladizas o frenado brusco—los neumáticos operan en su región no lineal, donde la fuerza lateral generada no aumenta proporcionalmente con el ángulo de deslizamiento. Cuando un algoritmo de estimación utiliza un valor fijo de rigidez, los errores resultantes pueden comprometer gravemente la precisión de la estimación del estado del vehículo, lo que a su vez afecta negativamente el rendimiento de los sistemas de control de estabilidad y seguridad. El algoritmo propuesto por Fu, Li y Wang aborda directamente esta debilidad al tratar la rigidez lateral como un parámetro dinámico que evoluciona con las condiciones de conducción.
El núcleo del algoritmo FAEKF+FFRLS reside en la integración de dos metodologías poderosas en una arquitectura embebida. La primera componente es el Filtro de Kalman Extendido Adaptativo Difuso (FAEKF), responsable de estimar los estados clave del vehículo: velocidad longitudinal, velocidad de guiñada y ángulo de deslizamiento lateral. A diferencia del filtro de Kalman extendido (EKF) convencional, cuyas matrices de covarianza de ruido se mantienen constantes, el FAEKF incorpora un controlador difuso que ajusta dinámicamente la ganancia de Kalman. Este ajuste se basa en la comparación entre la covarianza teórica del residuo de medición (la diferencia entre la predicción del modelo y la medición real) y su covarianza práctica. Si el residuo es mayor de lo esperado, el controlador interpreta que el ruido de medición ha aumentado y ajusta la ganancia para dar más peso a las mediciones, y viceversa. Esta adaptabilidad le confiere al algoritmo una robustez excepcional frente a cambios imprevistos en la calidad de los sensores, una característica crucial para su aplicación en el mundo real.
La segunda componente es el método de Mínimos Cuadrados Recursivos con Factor de Olvido (FFRLS), dedicado exclusivamente a la estimación en línea de la rigidez lateral de los neumáticos. En lugar de depender de mediciones directas del ángulo de deslizamiento lateral—difíciles de obtener con precisión—el FFRLS utiliza un método indirecto conocido como el método de acoplamiento lateral-guiñada. Este método combina las ecuaciones de movimiento lateral y de guiñada del vehículo, eliminando la dependencia directa del ángulo de deslizamiento. Las entradas para este estimador son la aceleración lateral medida, la velocidad de guiñada estimada, la velocidad longitudinal y el ángulo de dirección, datos que están comúnmente disponibles en vehículos modernos. El factor de olvido es una característica clave del FFRLS, ya que permite al algoritmo dar más peso a los datos recientes y «olvidar» gradualmente los datos más antiguos. Esto es fundamental para que la estimación de la rigidez se adapte rápidamente a cambios repentinos en las condiciones de adherencia, como pasar de una carretera seca a una zona con hielo.
La verdadera innovación del trabajo de Fu y sus colegas no es simplemente el uso de estas dos técnicas, sino su integración en un bucle cerrado y embebido. El proceso comienza con el FAEKF, que realiza una predicción del estado del vehículo. Esta predicción, en particular la velocidad longitudinal y la velocidad de guiñada, se utiliza como entrada para el estimador FFRLS. El FFRLS calcula entonces un nuevo valor actualizado para la rigidez lateral de los neumáticos. Este valor recién estimado se retroalimenta inmediatamente al modelo dinámico utilizado por el FAEKF, mejorando así la precisión de la siguiente predicción de estado. Este ciclo continuo de estimación de estado, estimación de parámetros y retroalimentación mutua crea un sistema de corrección automática que mejora significativamente la precisión y estabilidad de ambas estimaciones. Esta arquitectura evita los problemas de latencia y sobrecarga computacional que pueden surgir cuando los estimadores de estado y parámetros operan de forma independiente y se comunican a través de interfaces externas.
Para validar la eficacia del algoritmo, el equipo de Shijiazhuang Tiedao realizó extensas simulaciones de co-simulación utilizando Trucksim y MATLAB/Simulink. Seleccionaron un escenario de doble cambio de carril, una maniobra de alta intensidad que pone a prueba los límites de estabilidad del vehículo, y lo evaluaron bajo tres condiciones extremas: baja velocidad (30 km/h) sobre una superficie de baja adherencia (coeficiente de fricción μ = 0.3), alta velocidad (80 km/h) sobre una superficie de alta adherencia (μ = 0.8), y la condición más desafiante, alta velocidad sobre baja adherencia (80 km/h, μ = 0.3). Los resultados fueron concluyentes. En todos los casos, el algoritmo FAEKF+FFRLS superó ampliamente al EKF estándar. La mejora fue más pronunciada en la condición más extrema. Por ejemplo, en la prueba de 80 km/h sobre μ = 0.3, el error relativo en la estimación del ángulo de deslizamiento lateral se redujo de un alarmante 41.0% con el EKF a solo un 5.36% con el nuevo algoritmo. De manera similar, el error en la estimación de la velocidad de guiñada disminuyó del 10.09% al 3.88%. Estos resultados demuestran que el algoritmo no solo es más preciso, sino que también es más robusto y estable bajo condiciones dinámicas severas.
El enfoque de los investigadores también es notable por su enfoque en la aplicabilidad práctica. El algoritmo fue diseñado teniendo en cuenta los vehículos eléctricos con propulsión distribuida, específicamente aquellos con motores en las ruedas. Una ventaja inherente de esta configuración es que el par y la velocidad de rotación del motor son fácilmente medibles. Los autores aprovecharon esta característica para calcular directamente las fuerzas longitudinales en cada rueda utilizando un modelo dinámico de la rueda, lo que proporciona una estimación mucho más precisa de la fuerza de tracción o frenado que los métodos indirectos. Esta información de alta fidelidad se incorpora al modelo del vehículo, mejorando aún más la base sobre la cual se realiza la estimación del estado.
Las implicaciones de esta investigación van más allá de la mera mejora de un algoritmo. Una estimación precisa del ángulo de deslizamiento lateral es el corazón de cualquier sistema de control de estabilidad electrónico (ESC). Un algoritmo que puede proporcionar esta estimación con una precisión tan alta, incluso en condiciones de bajo agarre, tiene el potencial de hacer que los sistemas de seguridad sean más efectivos y reactivos, previniendo accidentes antes de que ocurran. Además, la estimación en tiempo real de la rigidez lateral de los neumáticos puede servir como un indicador indirecto del coeficiente de fricción de la carretera. Un descenso repentino en la rigidez estimada podría alertar al sistema de control del vehículo sobre una pérdida de adherencia, permitiendo una respuesta proactiva, como una reducción automática de la velocidad o una redistribución del par motor. Esta capacidad de anticipación es un paso crucial hacia vehículos verdaderamente inteligentes y proactivos.
El estudio también subraya la importancia de la colaboración interdisciplinaria. Combina principios de dinámica de vehículos, teoría de control, lógica difusa y procesamiento de señales para crear una solución que es mayor que la suma de sus partes. La publicación de este trabajo en una revista revisada por pares de alto nivel, Mechanical Science and Technology for Aerospace Engineering, valida su rigor científico y relevancia técnica.
El futuro de esta línea de investigación es prometedor. Los autores planean validar el algoritmo en vehículos instrumentados en pruebas reales, un paso esencial para evaluar su rendimiento frente a las imperfecciones del mundo real, como ruido de sensor inesperado y dinámicas no modeladas. A largo plazo, el algoritmo podría expandirse para estimar otros parámetros variables, como la masa total del vehículo o la pendiente de la carretera. La integración de técnicas de aprendizaje automático podría permitir que el sistema aprenda de experiencias de conducción pasadas, afinando continuamente sus estimaciones y adaptándose a diferentes tipos de neumáticos o estilos de conducción.
En un momento en que la seguridad vial y la automatización son prioridades globales, el trabajo de Fu Yuesheng, Li Shaohua y Wang Guiyang representa un avance significativo. Al reconocer y modelar la naturaleza dinámica y cambiante de las propiedades del neumático, su algoritmo FAEKF+FFRLS no solo mejora la precisión de la estimación, sino que también sienta las bases para una generación de vehículos más seguros, inteligentes y confiables. Es un ejemplo de cómo una comprensión más profunda de la física fundamental del vehículo puede conducir a innovaciones que transforman la experiencia de conducción.
Fu Yuesheng, Li Shaohua, Wang Guiyang, Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20220190