Adaptive lineare MPC für ein PMSM-gestütztes autonomes E-Fahrzeug mit einem gefilterten dritten Ordnung Generalized-Integrator-Beobachter

Schlauere Steuerung für selbstfahrende Elektroautos

Mit der zunehmenden Verbreitung autonomer Elektrofahrzeuge erwarten wir, dass diese sicher in ihrer Spur bleiben, Kurven geschmeidig durchfahren und jede Kilowattstunde Batterie optimal nutzen. Unter der Haube verhalten sich die Antriebsmotoren jedoch komplex und teils unvorhersehbar, besonders bei hohen Drehzahlen. Diese Arbeit stellt eine neue Regelungsstrategie vor, mit der ein Elektrofahrzeug fortlaufend „lernt“, wie sich Motor und Bewegung in Echtzeit verändern, sodass Fahrstabilität, Effizienz und Sicherheit auch unter anspruchsvollen Bedingungen erhalten bleiben.

Warum die Regelung eines E-Autos so schwierig ist

In einem autonomen Elektrofahrzeug müssen zwei Aufgaben jederzeit koordiniert werden: die richtige Antriebskraft an den Rädern zu erzeugen und der geplanten Fahrspur zu folgen. Der Motor, der vielen modernen E‑Fahrzeugen zugrunde liegt — ein Permanentmagnet-Synchronmotor — verhält sich nicht wie eine einfache, konstante Maschine. Seine Eigenschaften ändern sich mit Drehzahl und Last, insbesondere im Hochgeschwindigkeitsbereich, in dem die Feldschwächung zur Schonung der Hardware eingesetzt wird. Herkömmliche Regelverfahren vereinfachen den Motor oft oder behandeln ihn als perfekte Drehmomentquelle und ignorieren seine inneren Dynamiken. Das kann zu Lenkwinkelfehlern, unsicherer Spurführung und Energieverlusten führen, wenn das Fahrzeug beschleunigt, bremst oder Störungen wie plötzliche Laständerungen auf der Fahrbahn auftreten.

Ein einziges Regelsystem für Motor und Bewegung

Die Forschenden schlagen ein adaptives lineares modellprädiktives Regelungsverfahren (AL‑MPC) vor, das Motorverhalten und Fahrzeugdynamik gemeinsam statt in getrennten Schichten angeht. Kernstück ist ein mathematisches Modell, das neun zentrale Größen in einem Rahmen verknüpft: Motorströme, Raddrehzahl, die seitliche Position des Fahrzeugs und die Gierbewegung (Yaw). Anstatt dieses Modell auf einen festen Arbeitspunkt einzufrieren, aktualisiert der Regler es in jedem Abtastintervall an die aktuellen Bedingungen. Dadurch kann das Fahrzeug vorwegnehmen, wie sich die aktuelle Kombination aus Geschwindigkeit, Lenkung und Motorzustand in den nächsten Bruchteilen einer Sekunde entwickelt, und die besten Lenkwinkel- sowie Motorvoltagesignale auswählen, um nahe an der geplanten Bahn zu bleiben und gleichzeitig Grenzen für Ströme, Spannungen und Bewegung einzuhalten.

Dem Motor in Echtzeit zuhören

Ein zentraler Baustein ist ein spezieller Beobachter — ein Signalverarbeitungsmodul — das die elektrischen Signale des Motors ausliest und dessen innere Zustände rekonstruiert. Mithilfe eines gefilterten „generalized integrator“ schätzt er den magnetischen Fluss, das tatsächlich erzeugte Drehmoment und die zeitlich veränderliche Reaktanz des Motors. Ein gleitender Mittelwertfilter glättet hochfrequentes Rauschen aus der Leistungselektronik, sodass die Schätzungen auch bei schnellen Schaltvorgängen des Wechselrichters stabil bleiben. Weil diese Größen physikalisch interpretierbar sind, kann der Regler sie direkt in sein prädiktives Modell einspeisen und auf umfangreiche Kennlinien oder Offline-Kalibrierungen verzichten. Das erhöht die Robustheit gegenüber Änderungen durch Temperatur, Alterung und unterschiedliche Fahrbedingungen.

Die beste Aktion innerhalb von Grenzen wählen

Sobald Beobachter und prädiktives Modell ihre Vorhersagen geliefert haben, entscheidet ein Optimierer über das weitere Vorgehen. Die Autorinnen und Autoren verwenden einen Active-Set-Quadratic-Programming-Algorithmus, der effizient die Kombination aus Lenkwinkel- und Motorspannungsbefehlen sucht, die Trackingfehler minimiert und gleichzeitig alle Nebenbedingungen erfüllt. Zu diesen Nebenbedingungen gehören maximale Raddrehzahlen, Begrenzungen des Lenkwinkels und sichere Bereiche für Motorströme und Spannungen. Da der Algorithmus mit der vorherigen Lösung warmgestartet wird, sind meist nur wenige Iterationen nötig, sodass er schnell genug ist, auf einem fahrzeugtauglichen Mikrocontroller zu laufen. Hardware-in-the-loop-Tests bestätigen, dass der vollständige Regelkreis — Beobachten, Vorhersagen und Optimieren — in weniger als hundertstel Sekunden pro Regelzyklus abgeschlossen werden kann.

Wie viel besser fährt das Auto?

Das Team vergleicht den Ansatz mit zwei etablierten Strategien: einem einfacheren linearen Regler mit festen Motorparametern und einem komplexeren nichtlinearen Regler. In Computersimulationen, die die Fahrzeuggeschwindigkeit über einen weiten Bereich einschließlich des anspruchsvollen Feldschwächungsbereichs variieren, reduziert die neue Methode den Gierwinkelfehler um nahezu drei Größenordnungen und verringert den lateralen Positionsfehler um mehr als die Hälfte gegenüber dem einfachen linearen Design, während das Lenkverhalten deutlich geglättet wird. Gegenüber dem nichtlinearen Regler erzielt sie weiterhin spürbar kleinere Bahnabweichungen, reduziert Geschwindigkeits- und Spannungs-Schwankungen drastisch und vermeidet starke Drehmomentspitzen, die den Antriebsstrang belasten oder Fahrgäste beunruhigen könnten — und das bei leicht geringerem Rechenaufwand.

Was das im Alltag bedeutet

Für Nicht-Spezialisten ist die Quintessenz: Diese Arbeit zeigt, wie man selbstfahrenden Elektrofahrzeugen ein leistungsfähigeres und effizienteres „Gehirn“ geben kann, ohne die Bordrechner zu überfordern. Durch die kontinuierliche Schätzung dessen, was im Motor tatsächlich passiert, und die Integration dieser Informationen in ein einheitliches Bewegungsbild hält der vorgeschlagene Regler das Fahrzeug näher an der gewünschten Spur, nutzt Energie sparsamer und meistert plötzliche Änderungen geschmeidiger. Zwar sind weitere Arbeiten nötig, um den Ansatz auf sehr niedrige Geschwindigkeiten und detailliertere Reifen‑Boden‑Interaktionen auszudehnen, doch die adaptive Regelungsstrategie weist in Richtung Elektroautos, die nicht nur sauberer, sondern auch sanfter, sicherer und komfortabler für die Insassen sind.

Zitation: Ismail, M.M., Al-Dhaifallah, M., Rezk, H. et al. Adaptive linear MPC for a PMSM-driven autonomous EV with a filtered third-order generalized integrator observer. Sci Rep 16, 9349 (2026). https://doi.org/10.1038/s41598-026-39158-3

Schlüsselwörter: Regelung autonomer Elektrofahrzeuge, modellprädiktive Regelung, Permanentmagnet-Synchronmotor, Koordination von Drehmoment und Lenkung, adaptive Regelung in Echtzeit