Controllo MPC lineare adattivo per un VE autonomo azionato da PMSM con un osservatore integratore generalizzato filtrato di terzo ordine

Cervelli più intelligenti per auto elettriche a guida autonoma

Man mano che le auto elettriche autonome diventano più diffuse, ci aspettiamo che restino saldamente nella loro corsia, sterzino con fluidità nelle curve e sfruttino al meglio ogni briciola di energia della batteria. Tuttavia, sotto il cofano i motori elettrici che muovono questi veicoli si comportano in modo complesso e talvolta imprevedibile, soprattutto ad alte velocità. Questo articolo introduce una nuova strategia di controllo che permette all’auto elettrica di "apprendere" continuamente come il suo motore e il suo stato di moto stanno cambiando in tempo reale, così da mantenere la guida stabile, efficiente e sicura anche in condizioni di guida gravose.

Perché controllare un’auto elettrica è così complicato

In un veicolo elettrico autonomo vanno coordinate in ogni istante due attività: generare la forza motrice adeguata alle ruote e seguire la traiettoria desiderata sulla strada. Il motore al centro di molti VE moderni — un motore sincrono a magneti permanenti — non si comporta come una macchina semplice e costante. Le sue proprietà interne cambiano con la velocità e il carico, specialmente nella regione ad alta velocità dove gli ingegneri riducono appositamente il campo magnetico per proteggere l’hardware. I metodi di controllo tradizionali spesso fingono che il motore sia più semplice di quanto non sia, oppure lo trattano come una sorgente di coppia ideale ignorandone i dettagli interni. Questo può causare errori di sterzata, un mantenimento della corsia instabile e sprechi di energia quando l’auto accelera, frena o è soggetta a perturbazioni come variazioni improvvise del carico stradale.

Un unico sistema di controllo per motore e dinamica del veicolo

I ricercatori propongono uno schema di controllo predittivo a modello lineare adattivo (AL-MPC) che affronta insieme il comportamento del motore e la dinamica del veicolo invece di separarli in livelli distinti. Al centro c’è un modello matematico che collega nove grandezze chiave in un unico quadro: correnti del motore, velocità delle ruote, posizione laterale dell’auto e quanto essa imbardata (rotazione attorno all’asse verticale). Piuttosto che fissare questo modello a un singolo punto di funzionamento, il controllore lo aggiorna a ogni istante di campionamento per adattarsi alle condizioni correnti. Questo consente all’auto di prevedere come l’attuale combinazione di velocità, sterzata e stato del motore evolverà nei prossimi istanti, e quindi scegliere il miglior angolo di sterzo e le tensioni da applicare al motore per rimanere vicina alla traiettoria pianificata rispettando i limiti di sicurezza su correnti, tensioni e manovre.

Ascoltare il motore in tempo reale

Un ingrediente chiave è un osservatore speciale — un modulo di elaborazione del segnale — che "ascolta" i segnali elettrici del motore e ricostruisce ciò che avviene al suo interno. Utilizzando un "integratore generalizzato" filtrato, stima il flusso magnetico, la coppia effettiva generata e come la reattanza interna del motore varia nel tempo. Un filtro a media mobile attenua il rumore ad alta frequenza proveniente dall’elettronica di potenza, così le stime restano stabili anche quando l’inverter commuta rapidamente. Poiché queste grandezze hanno un significato fisico, il controllore può incorporarle direttamente nel suo modello predittivo, evitando la necessità di grandi tabelle di ricerca o calibrazioni offline. Questo rende il sistema più capace di far fronte a variazioni dovute a temperatura, invecchiamento e differenti condizioni di guida.

Scegliere la migliore azione entro i vincoli

Una volta che l’osservatore e il modello predittivo hanno prodotto le loro previsioni, entra in gioco una routine di ottimizzazione per decidere cosa fare dopo. Gli autori utilizzano un algoritmo di programmazione quadratica "active-set", che ricerca in modo efficiente la combinazione di comandi di sterzo e tensione motore che minimizza l’errore di inseguimento mantenendo soddisfatti tutti i vincoli. Tra questi vincoli ci sono la velocità massima delle ruote, i limiti sull’angolo di sterzata e gli intervalli sicuri per correnti e tensioni del motore. Poiché l’algoritmo viene avviato con la soluzione precedente (warm-start), di solito richiede poche iterazioni, risultando sufficientemente veloce per essere eseguito su un microcontrollore di grado automotive. Test hardware-in-the-loop confermano che l’intero ciclo — osservazione, previsione e ottimizzazione — può essere completato in meno di un centesimo di secondo per ciclo di controllo.

Quanto migliora il comportamento dell’auto?

Il team confronta il loro approccio con due strategie consolidate: un controllore lineare più semplice con parametri motore fissi e un controllore nonlineare più complesso. In simulazioni al computer che esplorano un ampio intervallo di velocità del veicolo, inclusa la impegnativa regione di indebolimento del flusso, il nuovo metodo riduce l’errore di imbardata di quasi tre ordini di grandezza e diminuisce l’errore di posizione laterale di oltre la metà rispetto al progetto lineare di base, pur smussando notevolmente lo sforzo di sterzata. Rispetto al controllore nonlineare, offre comunque deviazioni di traiettoria significativamente minori, riduce drasticamente il ripple di velocità e tensione ed evita picchi di coppia bruschi che potrebbero stressare la trasmissione o turbare i passeggeri — il tutto utilizzando leggermente meno tempo di calcolo.

Cosa significa per la guida di tutti i giorni

Per un non esperto, il risultato principale è che questo lavoro mostra come dotare le auto elettriche a guida autonoma di un «cervello» più capace ed efficiente senza sovraccaricare i loro computer di bordo. Stimando continuamente ciò che realmente accade all’interno del motore e integrando tali informazioni in una visione unificata della dinamica del veicolo, il controllore proposto mantiene il veicolo più vicino alla traiettoria desiderata, usa l’energia in modo più oculato e gestisce i cambiamenti improvvisi con maggiore eleganza. Sebbene siano necessari ulteriori studi per estendere l’approccio a velocità molto basse e a interazioni pneumatico-strada più dettagliate, questa strategia di controllo adattivo indica la direzione verso veicoli elettrici non solo più puliti, ma anche più fluidi, sicuri e confortevoli per i passeggeri.

Citazione: 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

Parole chiave: controllo di veicoli elettrici autonomi, controllo predittivo a modello, motore sincrono a magneti permanenti, coordinamento coppia e sterzata, controllo adattivo in tempo reale