Adaptacyjny liniowy MPC dla autonomicznego pojazdu elektrycznego napędzanego silnikiem PMSM z filtrowanym trzeciego rzędu obserwatorem uogólnionego całkującego

Inteligentniejsze „mózgi” dla autonomicznych samochodów elektrycznych

W miarę jak autonomiczne samochody elektryczne stają się coraz powszechniejsze, oczekujemy, że będą pewnie trzymać się swojego pasa, płynnie pokonywać zakręty i maksymalnie wykorzystywać energię z akumulatora. Tymczasem pod maską silniki elektryczne napędzające te pojazdy zachowują się w sposób złożony i czasami nieprzewidywalny, zwłaszcza przy dużych prędkościach. W artykule przedstawiono nową strategię sterowania, która pozwala pojazdowi elektrycznemu nieprzerwanie „uczyć się” zmian w zachowaniu silnika i ruchu w czasie rzeczywistym, dzięki czemu utrzymuje stabilność, efektywność i bezpieczeństwo nawet w wymagających warunkach jazdy.

Dlaczego sterowanie samochodem elektrycznym jest takie trudne

W pojeździe autonomicznym trzeba stale koordynować dwa zadania: wytwarzanie odpowiedniej siły napędowej przy kołach oraz podążanie za zamierzoną trajektorią na drodze. Silnik stosowany w wielu nowoczesnych EV — silnik synchroniczny z magnesami trwałymi — nie zachowuje się jak proste, stałe urządzenie. Jego wewnętrzne parametry zmieniają się wraz z prędkością i obciążeniem, zwłaszcza w obszarze wysokich prędkości, gdzie inżynierowie celowo słabują strumień magnetyczny, by chronić układ. Tradycyjne metody sterowania często upraszczają model silnika lub traktują go jako doskonałe źródło momentu, ignorując jego wewnętrzną dynamikę. Może to prowadzić do błędów w kierowaniu, chwiania się podczas utrzymania pasa i marnotrawstwa energii przy przyspieszaniu, hamowaniu lub w obliczu zaburzeń, takich jak nagłe zmiany obciążenia drogowego.

Jeden system sterowania dla silnika i ruchu

Autorzy proponują schemat adaptacyjnego liniowego sterowania predykcyjnego (AL-MPC), który traktuje zachowanie silnika i ruch pojazdu łącznie, a nie w oddzielnych warstwach. W centrum znajduje się model matematyczny łączący w jednym układzie dziewięć kluczowych wielkości: prądy silnika, prędkość kół, boczne położenie pojazdu oraz kąt yaw, czyli obrót pojazdu podczas skrętu. Zamiast utrzymywać model w jednym punkcie pracy, kontroler odświeża go w każdej chwili próbkowania, aby dopasować go do aktualnych warunków. Pozwala to pojazdowi przewidywać, jak kombinacja prędkości, skrętu i stanu silnika rozwinie się w kolejnych ułamkach sekundy, a następnie wybierać najlepszy kąt skrętu i napięcia na silniku, by pozostać blisko zaplanowanej trajektorii, jednocześnie respektując ograniczenia dotyczące prądów, napięć i ruchu.

Słuchanie silnika w czasie rzeczywistym

Kluczowym elementem jest specjalny obserwator — moduł przetwarzania sygnałów — który „słucha” sygnałów elektrycznych silnika i rekonstruuje, co dzieje się wewnątrz. Z użyciem filtrowanego „uogólnionego całkującego” estymuje on strumień magnetyczny, rzeczywisty moment obrotowy oraz zmiany wewnętrznej reaktancji silnika w czasie. Filtr uśredniający ruchomy wygładza szumy wysokiej częstotliwości pochodzące z elektroniki mocy, dzięki czemu estymaty pozostają stabilne nawet przy szybkim przełączaniu falownika. Ponieważ te wielkości mają fizyczne znaczenie, kontroler może bezpośrednio wprowadzić je do modelu predykcyjnego, unikając konieczności używania dużych tablic przestawień czy kalibracji offline. Dzięki temu system lepiej radzi sobie ze zmianami wynikającymi z temperatury, starzenia i różnych warunków jazdy.

Wybieranie najlepszego działania przy ograniczeniach

Gdy obserwator i model predykcyjny wygenerują prognozy, wkracza procedura optymalizacyjna decydująca o kolejnym działaniu. Autorzy stosują algorytm programowania kwadratowego typu „active-set”, który efektywnie poszukuje kombinacji komend sterowania kątem skrętu i napięciami silnika minimalizującej błąd śledzenia przy równoczesnym dotrzymaniu wszystkich ograniczeń. Ograniczenia obejmują maksymalną prędkość kół, limity kąta skrętu oraz bezpieczne zakresy prądów i napięć silnika. Skoro algorytm jest inicjowany od poprzedniego rozwiązania (warm-start), zazwyczaj potrzebuje tylko kilku iteracji, co czyni go wystarczająco szybkim do uruchomienia na mikroprocesorze klasy motoryzacyjnej. Testy z wykorzystaniem sprzętu w pętli potwierdzają, że cały cykl — obserwacja, predykcja i optymalizacja — może zostać wykonany w czasie krótszym niż jedna setna sekundy na cykl sterowania.

Jak bardzo lepiej zachowuje się samochód?

Zespół porównuje swoje podejście z dwiema ustalonymi strategiami: prostszym liniowym regulatorem z ustalonymi parametrami silnika oraz bardziej złożonym regulatorem nieliniowym. W symulacjach komputerowych obejmujących szeroki zakres prędkości, włącznie z wymagającym obszarem osłabiania strumienia, nowa metoda zmniejsza błąd kąta yaw o niemal trzy rzędy wielkości i redukuje błąd położenia bocznego o ponad połowę w porównaniu z podstawowym regulatorem liniowym, przy znacznie wygładzonym wysiłku skrętu. W porównaniu z regulatorem nieliniowym metoda nadal zapewnia wyraźnie mniejsze odchylenia od ścieżki, dramatycznie redukuje wahania prędkości i napięcia oraz unika ostrych pików momentu, które mogłyby przeciążyć układ napędowy lub niepokoić pasażerów — wszystko to przy nieznacznie mniejszych wymaganiach obliczeniowych.

Co to znaczy dla codziennej jazdy

Dla osoby niebędącej specjalistą najważniejsze jest to, że praca ta pokazuje sposób na wyposażenie autonomicznych samochodów elektrycznych w bardziej zdolny i efektywny „mózg” bez przeciążania ich pokładowych komputerów. Poprzez ciągłą estymację tego, co naprawdę dzieje się wewnątrz silnika, i scalanie tych informacji w jednolitym obrazie ruchu pojazdu, proponowany regulator utrzymuje pojazd bliżej zamierzonej ścieżki, oszczędza energię i lepiej radzi sobie z nagłymi zmianami. Chociaż potrzebne są dalsze prace, by rozszerzyć podejście na bardzo niskie prędkości i bardziej szczegółowe interakcje opona-droga, strategia adaptacyjnego sterowania wskazuje drogę do samochodów elektrycznych, które są nie tylko bardziej ekologiczne, lecz także płynniejsze, bezpieczniejsze i wygodniejsze dla pasażerów.

Cytowanie: 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

Słowa kluczowe: sterowanie autonomicznym pojazdem elektrycznym, sterowanie predykcyjne modelowe, silnik synchroniczny z magnesami trwałymi, koordynacja momentu obrotowego i sterowania, adaptacyjne sterowanie w czasie rzeczywistym