MPC lineal adaptativo para un VE autónomo accionado por PMSM con un observador integrador generalizado de tercer orden filtrado

Cerebros más inteligentes para coches eléctricos autónomos

A medida que los coches eléctricos autónomos se hacen más comunes, esperamos que mantengan firmemente su carril, giren con suavidad en las curvas y aprovechen al máximo cada bit de energía de la batería. Sin embargo, bajo el capó, los motores eléctricos que impulsan estos vehículos se comportan de forma compleja y a veces impredecible, especialmente a altas velocidades. Este trabajo presenta una nueva estrategia de control que permite a un coche eléctrico "aprender" continuamente cómo cambian su motor y su movimiento en tiempo real, de modo que pueda mantener el trayecto estable, eficiente y seguro incluso en situaciones de conducción exigentes.

Por qué es tan complicado controlar un coche eléctrico

En un vehículo eléctrico autónomo, deben coordinarse en todo momento dos tareas: producir la fuerza de tracción adecuada en las ruedas y seguir la trayectoria deseada en la carretera. El motor en el corazón de muchos VE modernos —un motor síncrono de imán permanente— no se comporta como una máquina simple y constante. Sus propiedades internas cambian con la velocidad y la carga, especialmente en la región de alta velocidad donde los ingenieros debilitan deliberadamente el campo magnético para proteger el hardware. Los métodos de control tradicionales a menudo hacen que el motor parezca más simple de lo que es, o lo tratan como una fuente de par perfecta e ignoran su funcionamiento interno. Eso puede provocar errores de dirección, mantenimiento de carril inestable y desperdicio de energía cuando el coche acelera, frena o se enfrenta a perturbaciones como cambios bruscos de carga en la carretera.

Un único sistema de control para motor y movimiento

Los investigadores proponen un esquema de control predictivo basado en modelo lineal adaptativo (AL-MPC) que aborda el comportamiento del motor y el movimiento del vehículo de forma conjunta en lugar de en capas separadas. En su núcleo está un modelo matemático que integra nueve cantidades clave en un único marco: corrientes del motor, velocidad de las ruedas, posición lateral del coche y cuánto está guiñando, o rotando, mientras gira. En lugar de congelar este modelo en un único punto de operación, el controlador lo actualiza en cada instante de muestreo para ajustarlo a las condiciones actuales. Esto permite al coche anticipar cómo evolucionará la combinación actual de velocidad, dirección y estado del motor en los siguientes instantes, y elegir el mejor ángulo de dirección y las tensiones de motor para mantenerse cerca de la trayectoria planificada respetando los límites de seguridad sobre corrientes, tensiones y movimiento.

Escuchar al motor en tiempo real

Un ingrediente clave es un observador especial —un módulo de procesamiento de señales— que escucha las señales eléctricas del motor y reconstruye lo que sucede en su interior. Usando un "integrador generalizado" filtrado, estima el flujo magnético, el par real producido y cómo cambia con el tiempo la reactancia interna del motor. Un filtro de media móvil suaviza el ruido de alta frecuencia procedente de la electrónica de potencia, de modo que las estimaciones permanecen estables incluso cuando el inversor conmuta rápidamente. Como estas cantidades tienen significado físico, el controlador puede incorporarlas directamente en su modelo predictivo, evitando la necesidad de grandes tablas de consulta o calibraciones fuera de línea. Esto hace que el sistema sea más capaz de afrontar cambios debidos a la temperatura, envejecimiento y diferentes condiciones de conducción.

Elegir la mejor acción dentro de los límites

Una vez que el observador y el modelo predictivo han generado sus previsiones, una rutina de optimización decide qué hacer a continuación. Los autores emplean un algoritmo de programación cuadrática de "active-set", que busca de forma eficiente la combinación de comandos de dirección y tensiones de motor que minimizan los errores de seguimiento manteniendo todas las restricciones satisfechas. Estas restricciones incluyen la velocidad máxima de las ruedas, límites del ángulo de dirección y rangos seguros para corrientes y tensiones del motor. Como el algoritmo se inicia en caliente desde la solución previa, normalmente necesita solo unas pocas iteraciones, por lo que es lo suficientemente rápido para ejecutarse en un microcontrolador de grado automotriz. Pruebas hardware-in-the-loop confirman que el bucle completo —observar, predecir y optimizar— puede completarse en menos de una centésima de segundo por ciclo de control.

¿Cuánto mejor se comporta el coche?

El equipo compara su enfoque con dos estrategias consolidadas: un controlador lineal más sencillo con parámetros de motor fijos y un controlador no lineal más complejo. En simulaciones por ordenador que recorren una amplia gama de velocidades del coche, incluida la exigente región de debilitamiento de flujo, el nuevo método reduce el error de ángulo de guiñada en casi tres órdenes de magnitud y recorta el error de posición lateral en más de la mitad respecto al diseño lineal básico, al tiempo que suaviza notablemente el esfuerzo de dirección. Frente al controlador no lineal, sigue ofreciendo desviaciones de trayectoria sensiblemente menores, reduce drásticamente las oscilaciones de velocidad y tensión, y evita picos de par bruscos que podrían estresar el tren motriz o incomodar a los pasajeros —todo ello usando ligeramente menos tiempo de cálculo.

Qué significa esto para la conducción diaria

Para un público no especialista, la conclusión es que este trabajo muestra cómo dotar a los coches eléctricos autónomos de un "cerebro" más capaz y eficiente sin sobrecargar sus ordenadores a bordo. Al estimar continuamente lo que realmente ocurre dentro del motor e integrar esa información en una visión unificada del movimiento del coche, el controlador propuesto mantiene el vehículo más cerca de su trayectoria prevista, utiliza la energía con mayor criterio y maneja los cambios bruscos con más soltura. Aunque hacen falta trabajos adicionales para extender el enfoque a velocidades muy bajas y a interacciones más detalladas neumático-carril, esta estrategia de control adaptativo apunta hacia coches eléctricos que no solo son más limpios, sino también más suaves, seguros y confortables para sus ocupantes.

Cita: 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

Palabras clave: control de vehículos eléctricos autónomos, control predictivo basado en modelos, motor síncrono de imán permanente, coordinación de par y dirección, control adaptativo en tiempo real