Адаптивный линейный MPC для автономного электромобиля с ПМСМ и наблюдателем третьего порядка с фильтрацией

Более умные «мозги» для самоуправляемых электромобилей

По мере того как автономные электромобили становятся привычнее, мы ожидаем, что они будут устойчиво держаться в своей полосе, плавно проходить повороты и максимально экономно расходовать энергию батареи. Однако внутри машины электродвигатели, приводящие автомобиль в движение, ведут себя сложно и порой непредсказуемо, особенно на высоких скоростях. В этой статье предложена новая стратегия управления, позволяющая автомобилю непрерывно «учиться» параметрам двигателя и динамике движения в реальном времени, чтобы сохранять стабильность, эффективность и безопасность даже в непростых дорожных условиях.

Почему управление электромобилем так нелегко

В автономном электромобиле в каждый момент времени нужно одновременно решать две задачи: обеспечивать достаточную тягу на колёсах и следовать заданной траектории. Двигатель, лежащий в основе многих современных электромобилей — синхронный двигатель с постоянными магнитами — не ведёт себя как простое постоянное устройство. Его внутренние характеристики меняются с частотой вращения и нагрузкой, особенно в зоне высоких скоростей, где инженеры намеренно ослабляют магнитное поле для защиты аппаратуры. Традиционные методы управления часто упрощают модель двигателя или рассматривают его как идеальный источник момента, игнорируя внутренние процессы. Это может приводить к ошибкам рулевого управления, шатанию при удержании полосы и потере энергии при ускорении, торможении или при воздействии внешних возмущений, например резких изменений дорожной нагрузки.

Единая система управления для двигателя и движения

Исследователи предлагают схему адаптивного линейного предиктивного управления (AL-MPC), которая одновременно учитывает поведение двигателя и движение автомобиля, а не решает их раздельно. В её основе лежит математическая модель, объединяющая девять ключевых величин в одной структуре: токи двигателя, скорость колеса, боковое положение автомобиля и величину рыскания (yaw), то есть его вращение при повороте. Вместо того чтобы фиксировать модель в одной рабочей точке, контроллер обновляет её на каждом шаге дискретизации, подстраиваясь под текущие условия. Это позволяет автомобилю прогнозировать развитие сочетания скорости, рулевого угла и состояния двигателя на ближайшие доли секунды и выбирать такие команды рулевого управления и напряжений на двигателе, которые поддерживают траекторию и при этом не нарушают ограничения по токам, напряжениям и кинематике.

Слушая двигатель в реальном времени

Ключевой компонент — специальный наблюдатель (модуль обработки сигналов), который «слушает» электрические сигналы двигателя и восстанавливает происходящее внутри него. С помощью фильтрованного «обобщённого интегратора» он оценивает магнитный поток, фактически развиваемый крутящий момент и изменение внутренней реактивности двигателя во времени. Сглаживающий скользящий фильтр устраняет высокочастотные помехи от силовой электроники, так что оценки остаются устойчивыми даже при быстром переключении инвертора. Поскольку эти величины имеют физический смысл, контроллер может напрямую подставлять их в предиктивную модель, избегая громоздких таблиц соответствий или калибровки офлайн. Это делает систему более устойчивой к изменениям, вызванным температурой, старением и различными условиями вождения.

Выбор оптимального действия в условиях ограничений

Когда наблюдатель и предиктивная модель формируют прогнозы, на сцену выходит задача оптимизации, которая решает, что делать дальше. Авторы используют алгоритм квадратичного программирования с активным множеством («active-set»), который эффективно ищет сочетание команд по рулевому углу и напряжениям двигателя, минимизирующее ошибку слежения при соблюдении всех ограничений. К таким ограничениям относятся максимальная скорость колеса, пределы рулевого угла и безопасные диапазоны токов и напряжений двигателя. Благодаря использованию разогрева от предыдущего решения (warm-start) алгоритм обычно требует лишь нескольких итераций, что делает его достаточно быстрым для выполнения на автомобильном микроконтроллере. Аппаратные испытания в контуре «hardware-in-the-loop» подтверждают, что полный цикл — наблюдение, прогнозирование и оптимизация — завершается менее чем за сотую долю секунды на цикл управления.

Насколько лучше ведёт себя автомобиль?

Команда сравнила своё решение с двумя принятыми подходами: более простым линейным регулятором с фиксированными параметрами двигателя и более сложным нелинейным контроллером. В моделировании, которое охватывает широкий диапазон скоростей, включая требовательную зону ослабления потока магнитного поля, новый метод уменьшает ошибку угла рыскания почти на три порядка величины и сокращает ошибку по боковому положению более чем вдвое по сравнению с базовым линейным решением, при этом заметно сглаживая управляющие усилия на руле. В сравнении с нелинейным контроллером он по‑прежнему даёт меньшее отклонение от траектории, значительно снижает пульсации скорости и напряжения и избегает резких всплесков крутящего момента, которые могут перегружать трансмиссию или беспокоить пассажиров — и всё это при немного меньших вычислительных затратах.

Что это значит для повседневной езды

Для неспециалиста итог таков: работа демонстрирует способ дать автономным электромобилям более способный и экономичный «мозг», не перегружая их бортовые вычислители. Непрерывно оценивая реальное состояние двигателя и интегрируя эту информацию в единое представление о движении автомобиля, предлагаемый контроллер держит машину ближе к заданной траектории, экономнее использует энергию и более плавно реагирует на внезапные изменения. Хотя требуется дополнительная работа по расширению подхода на очень низкие скорости и более детальное моделирование взаимодействия шина–дорога, эта адаптивная стратегия управления указывает путь к электромобилям, которые не только экологичнее, но и более плавные, безопасные и комфортные для пассажиров.

Цитирование: 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

Ключевые слова: управление автономным электромобилем, предиктивное управление на основе модели, синхронный двигатель с постоянными магнитами, координация крутящего момента и рулевого управления, адаптивное управление в реальном времени