Controle preditivo linear adaptativo para um VE autônomo acionado por PMSM com um observador integrador generalizado filtrado de terceira ordem

Cérebros mais inteligentes para carros elétricos autônomos

À medida que carros elétricos autônomos se tornam mais comuns, esperamos que permaneçam firmemente em sua faixa, façam curvas com suavidade e aproveitem ao máximo cada gota de energia da bateria. No entanto, por baixo do capô, os motores elétricos que impulsionam esses veículos se comportam de maneira complexa e às vezes imprevisível, especialmente em altas velocidades. Este artigo apresenta uma nova estratégia de controle que permite a um carro elétrico “aprender” continuamente como seu motor e seu movimento estão mudando em tempo real, para manter a condução estável, eficiente e segura mesmo em situações de direção exigentes.

Por que controlar um carro elétrico é tão complicado

Em um veículo elétrico autônomo, duas tarefas devem ser coordenadas a todo momento: produzir a força de tração adequada nas rodas e seguir a trajetória desejada na pista. O motor no coração de muitos VEs modernos — um motor síncrono de ímã permanente — não se comporta como uma máquina simples e constante. Suas propriedades internas mudam com a velocidade e com a carga, especialmente na região de alta velocidade onde os engenheiros intencionalmente enfraquecem o campo magnético para proteger o sistema. Métodos tradicionais de controle frequentemente assumem que o motor é mais simples do que realmente é, ou tratam-no como uma fonte de torque perfeita e ignoram seu funcionamento interno. Isso pode levar a erros de direção, manutenção de faixa instável e desperdício de energia quando o carro acelera, desacelera ou enfrenta perturbações, como mudanças súbitas na carga da estrada.

Um único sistema de controle para motor e movimento

Os pesquisadores propõem um esquema de controle preditivo linear adaptativo (AL-MPC) que aborda o comportamento do motor e o movimento do veículo em conjunto, em vez de em camadas separadas. No seu núcleo está um modelo matemático que conecta nove grandezas-chave em uma única estrutura: correntes do motor, velocidade das rodas, posição lateral do carro e o quanto ele está guinando, ou seja, girando durante a curva. Em vez de congelar esse modelo em um único ponto de operação, o controlador o atualiza a cada instante de amostragem para refletir as condições atuais. Isso permite que o veículo antecipe como a combinação atual de velocidade, direção e estado do motor evoluirá nos próximos frações de segundo e então escolha o melhor ângulo de direção e tensões no motor para permanecer próximo à trajetória planejada, respeitando limites de segurança para correntes, tensões e movimento.

Ouvindo o motor em tempo real

Um ingrediente-chave é um observador especial — um módulo de processamento de sinais — que “ouve” os sinais elétricos do motor e reconstrói o que está acontecendo internamente. Usando um “integrador generalizado” filtrado, ele estima o fluxo magnético, o torque real sendo produzido e como a reatância interna do motor está mudando ao longo do tempo. Um filtro de média móvel suaviza o ruído de alta frequência proveniente da eletrônica de potência, de modo que as estimativas se mantenham estáveis mesmo quando o inversor está com comutação rápida. Como essas grandezas têm significado físico, o controlador pode integrá-las diretamente em seu modelo preditivo, evitando a necessidade de grandes tabelas de consulta ou calibração off-line. Isso torna o sistema mais capaz de lidar com mudanças devido à temperatura, envelhecimento e diferentes condições de condução.

Escolhendo a melhor ação dentro dos limites

Uma vez que o observador e o modelo preditivo geram suas previsões, uma rotina de otimização decide o que fazer a seguir. Os autores utilizam um algoritmo de programação quadrática do tipo “active-set”, que busca de forma eficiente a combinação de comandos de direção e tensões do motor que minimiza os erros de seguimento enquanto mantém todas as restrições satisfeitas. Essas restrições incluem velocidade máxima das rodas, limites do ângulo de direção e faixas seguras para correntes e tensões do motor. Como o algoritmo é inicializado com a solução anterior (warm-start), normalmente precisa de apenas algumas iterações, tornando-o rápido o suficiente para rodar em um microcontrolador automotivo. Testes em hardware-in-the-loop confirmam que o ciclo completo — observação, previsão e otimização — pode ser concluído em menos de um centésimo de segundo por ciclo de controle.

Quão melhor o carro se comporta?

A equipe compara sua abordagem com duas estratégias consolidadas: um controlador linear mais simples com parâmetros de motor fixos e um controlador não linear mais complexo. Em simulações computacionais que variam a velocidade do carro por uma ampla faixa, incluindo a exigente região de enfraquecimento de fluxo, o novo método reduz o erro do ângulo de guinada em quase três ordens de magnitude e corta o erro de posição lateral em mais da metade em relação ao projeto linear básico, ao mesmo tempo que suaviza consideravelmente o esforço de direção. Em comparação com o controlador não linear, ele ainda entrega desvios de trajetória notablemente menores, reduz dramaticamente ondulações de velocidade e tensão, e evita picos abruptos de torque que poderiam sobrecarregar o trem de força ou incomodar os passageiros — tudo isso usando um pouco menos de tempo de computação.

O que isso significa para a condução cotidiana

Para um não especialista, a conclusão é que este trabalho mostra como dar aos carros elétricos autônomos um “cérebro” mais capaz e eficiente sem sobrecarregar seus computadores embarcados. Ao estimar continuamente o que realmente acontece dentro do motor e integrar essa informação em uma visão unificada do movimento do veículo, o controlador proposto mantém o veículo mais próximo do caminho pretendido, usa a energia com mais inteligência e lida com mudanças súbitas de forma mais elegante. Embora trabalhos adicionais sejam necessários para estender a abordagem a velocidades muito baixas e interações mais detalhadas pneu-pista, essa estratégia de controle adaptativo aponta para carros elétricos que não são apenas mais limpos, mas também mais suaves, seguros e confortáveis para seus passageiros.

Citação: 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

Palavras-chave: controle de veículo elétrico autônomo, controle preditivo baseado em modelo, motor síncrono de ímã permanente, coordenação de torque e direção, controle adaptativo em tempo real