Commande prédictive linéaire adaptative pour un véhicule autonome entraîné par PMSM avec un observateur intégrateur généralisé filtré d'ordre trois

Des cerveaux plus intelligents pour les voitures électriques autonomes

À mesure que les voitures électriques autonomes se généralisent, on attend d’elles qu’elles restent solidement dans leur voie, négocient les courbes en douceur et optimisent chaque once d’énergie de la batterie. Pourtant, sous le capot, les moteurs électriques qui entraînent ces véhicules se comportent de manière complexe et parfois imprévisible, en particulier à haute vitesse. Cet article présente une nouvelle stratégie de commande qui permet à une voiture électrique d’« apprendre » en continu l’évolution de son moteur et de son comportement en mouvement, afin de maintenir la stabilité, l’efficacité et la sécurité même dans des situations de conduite exigeantes.

Pourquoi la commande d’une voiture électrique est si délicate

Dans un véhicule électrique autonome, deux tâches doivent être coordonnées en permanence : produire la force de traction adéquate aux roues et suivre la trajectoire souhaitée sur la route. Le moteur au cœur de nombreux VE modernes — un moteur synchrone à aimants permanents — ne se comporte pas comme une machine simple et constante. Ses propriétés internes varient avec la vitesse et la charge, notamment dans la zone à haute vitesse où les ingénieurs affaiblissent volontairement le champ magnétique pour protéger le matériel. Les méthodes de commande classiques font souvent comme si le moteur était plus simple qu’il ne l’est réellement, ou le considèrent comme une source de couple parfaite en ignorant son fonctionnement interne. Cela peut entraîner des erreurs de braquage, un maintien de voie instable et une perte d’énergie lorsque la voiture accélère, ralentit ou subit des perturbations telles que des variations soudaines de charge routière.

Un système de commande unique pour moteur et mouvement

Les chercheurs proposent un schéma de commande prédictive linéaire adaptative (AL-MPC) qui traite simultanément le comportement du moteur et le mouvement du véhicule au lieu de les séparer en couches distinctes. Au cœur se trouve un modèle mathématique qui relie neuf grandeurs clés dans un même cadre : courants du moteur, vitesse des roues, position latérale du véhicule et le lacet (rotation) lors des virages. Plutôt que de figer ce modèle en un point de fonctionnement unique, le contrôleur le met à jour à chaque instant d’échantillonnage pour correspondre aux conditions actuelles. Cela permet à la voiture d’anticiper comment la combinaison actuelle de vitesse, de braquage et d’état du moteur va évoluer au cours des prochaines fractions de seconde, puis de choisir l’angle de braquage et les tensions moteur optimales pour rester proche de la trajectoire planifiée tout en respectant les limites de sécurité sur les courants, les tensions et le mouvement.

Écouter le moteur en temps réel

Un ingrédient clé est un observateur spécial — un module de traitement du signal — qui écoute les signaux électriques du moteur et reconstruit ce qui se passe en son sein. En utilisant un « intégrateur généralisé » filtré, il estime le flux magnétique, le couple réellement produit et la façon dont la réactance interne du moteur évolue dans le temps. Un filtre par moyenne mobile atténue le bruit haute fréquence provenant de l’électronique de puissance, de sorte que les estimations restent stables même lorsque l’oncommande l’onduleur en commutation rapide. Comme ces grandeurs ont une signification physique, le contrôleur peut les intégrer directement dans son modèle prédictif, évitant ainsi l’usage de grandes tables de consultation ou d’étalonnages hors ligne. Cela rend le système plus apte à faire face aux changements dus à la température, au vieillissement et à des conditions de conduite variées.

Choisir la meilleure action sous contraintes

Une fois que l’observateur et le modèle prédictif ont fourni leurs prévisions, une routine d’optimisation détermine l’action à entreprendre. Les auteurs utilisent un algorithme de programmation quadratique « active-set », qui recherche efficacement la combinaison des commandes de braquage et de tension moteur minimisant l’erreur de suivi tout en respectant l’ensemble des contraintes. Ces contraintes incluent la vitesse maximale des roues, les limites d’angle de braquage et les plages sûres pour les courants et tensions du moteur. Comme l’algorithme est initialisé à partir de la solution précédente (warm-start), il nécessite généralement peu d’itérations, ce qui le rend suffisamment rapide pour s’exécuter sur un microcontrôleur automobile. Des tests hardware-in-the-loop confirment que la boucle complète — observation, prédiction et optimisation — peut être effectuée en moins d’un centième de seconde par cycle de commande.

Quelle amélioration pour le comportement du véhicule ?

L’équipe compare son approche à deux stratégies établies : un contrôleur linéaire plus simple avec paramètres moteurs fixes et un contrôleur non linéaire plus complexe. Dans des simulations informatiques couvrant une large plage de vitesses, y compris la région exigeante d’affaiblissement de flux, la nouvelle méthode réduit l’erreur d’angle de lacet de presque trois ordres de grandeur et divise par plus de deux l’erreur de position latérale par rapport à la conception linéaire de base, tout en lissant considérablement l’effort de braquage. Par rapport au contrôleur non linéaire, elle offre toujours des déviations de trajectoire nettement plus faibles, réduit drastiquement les ondulations de vitesse et de tension, et évite les pics de couple violents susceptibles de solliciter la chaîne cinématique ou de déranger les passagers — le tout en utilisant légèrement moins de temps de calcul.

Ce que cela signifie pour la conduite quotidienne

Pour un non-spécialiste, la conclusion est que ce travail montre comment doter les voitures électriques autonomes d’un « cerveau » plus capable et efficace sans surcharger leurs calculateurs embarqués. En estimant en continu ce qui se passe réellement à l’intérieur du moteur et en intégrant cette information dans une vue unifiée du mouvement du véhicule, le contrôleur proposé maintient le véhicule plus proche de sa trajectoire prévue, utilise l’énergie de manière plus judicieuse et gère les changements soudains avec plus d’aisance. Bien que des travaux supplémentaires soient nécessaires pour étendre l’approche aux très basses vitesses et à des interactions pneu-route plus détaillées, cette stratégie de commande adaptative ouvre la voie à des véhicules électriques non seulement plus propres, mais aussi plus souples, plus sûrs et plus confortables pour leurs passagers.

Citation: 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

Mots-clés: commande de véhicule électrique autonome, commande prédictive, moteur synchrone à aimants permanents, coordination couple et direction, commande adaptative en temps réel