Adaptiv linjär MPC för en PMSM-driven autonom elbil med en filtrerad tredjeordnings generaliserad integrator-observatör

Smartare styrning för självkörande elbilar

När självkörande elbilar blir vanligare förväntar vi oss att de håller sig stadigt i filen, svänger mjukt genom kurvor och utnyttjar varje bit batterienergi väl. Under huven beter sig dock de elmotorer som driver dessa fordon på komplexa och ibland svårförutsägbara sätt, särskilt i höga hastigheter. Denna artikel introducerar en ny styrstrategi som låter en elbil kontinuerligt "lära sig" hur dess motor och rörelse förändras i realtid, så att den kan behålla stabilitet, effektivitet och säkerhet även i krävande körsituationer.

Varför det är så svårt att styra en elbil

I ett autonomt elfordon måste två uppgifter koordineras hela tiden: att leverera rätt drivkraft vid hjulen och att följa den önskade banan på vägen. Motorn i många moderna elbilar — en synkron permanentmagnetmotor — beter sig inte som en enkel, konstant enhet. Dess interna egenskaper förändras med hastighet och belastning, särskilt i det högre hastighetsområdet där ingenjörer avsiktligt försvagar fältet för att skydda hårdvaran. Traditionella styrmetoder antar ofta att motorn är enklare än den faktiskt är, eller behandlar den som en perfekt momentkälla och ignorerar dess inre dynamik. Det kan leda till styrfel, ostadigt filhållande och onödigt energislöseri när bilen accelererar, bromsar eller utsätts för störningar som plötsliga förändringar i last.

Ett enda styrsystem för motor och rörelse

Forskarna föreslår ett adaptivt linjärt modellprediktivt styrningsschema (AL-MPC) som tar itu med motorbeteende och fordonsrörelse tillsammans istället för i separata lager. I kärnan finns en matematisk modell som binder samman nio nyckelstorheter i ett ramverk: motorströmmar, hjulhastighet, bilens sidoposition och dess yaw‑rörelse (rotation) vid sväng. Istället för att frysa modellen vid en enda driftpunkt uppdaterar styrenheten den vid varje samplingsögonblick för att matcha rådande förhållanden. Detta låter bilen förutse hur dagens kombination av hastighet, styrning och motortillstånd kommer att utvecklas under de närmaste bråkdelen av en sekund, och därefter välja bästa styrvinkel och motorspänningar för att hålla sig nära den planerade banan samtidigt som säkerhetsgränser för strömmar, spänningar och rörelse respekteras.

Lyssna på motorn i realtid

En nyckelkomponent är en särskild observatör — en signalbehandlingsmodul — som lyssnar på motorns elektriska signaler och rekonstruerar vad som händer inuti. Med hjälp av en filtrerad "generaliserad integrator" uppskattar den magnetiskt flux, det faktiska moment som produceras och hur motorns interna reaktans förändras över tid. Ett medelvärdesfilter dämpar högfrekvent brus från effelektroniken, så uppskattningarna förblir stabila även när växlaren slår snabbt. Eftersom dessa storheter är fysiskt meningsfulla kan styralgoritmen direkt använda dem i sin prediktiva modell, utan behov av stora uppslagstabeller eller offlinekalibrering. Det gör systemet bättre på att hantera förändringar orsakade av temperatur, åldrande och varierande körförhållanden.

Välja bästa åtgärd under begränsningar

När observatören och den prediktiva modellen levererat sina prognoser träder en optimeringsrutin in för att avgöra nästa steg. Författarna använder en "active-set" kvadratisk programmeringsalgoritm som effektivt söker fram kombinationen av styr- och motorspänningskommandon som minimerar följningsfel samtidigt som alla begränsningar uppfylls. Dessa begränsningar inkluderar maximal hjulhastighet, gränser för styrvinkel och säkra intervall för motorströmmar och spänningar. Eftersom algoritmen värmstartas från föregående lösning behövs vanligtvis bara några få iterationer, vilket gör den snabb nog att köras på en fordonsklassad mikrokontroller. Hardware-in-the-loop‑tester bekräftar att hela loopen — observera, prognostisera och optimera — kan slutföras på mindre än en hundradel av en sekund per styrcykel.

Hur mycket bättre beter sig bilen?

Teamet jämför sitt tillvägagångssätt med två etablerade strategier: en enklare linjär regulator med fasta motorparametrar och en mer komplex icke­linjär regulator. I datorbaserade simuleringar som sveper bilens hastighet över ett brett spann, inklusive det krävande flux‑försvagningsområdet, reducerar den nya metoden yaw‑vinkelns fel med nästan tre storleksordningar och minskar sidopositionens fel med mer än hälften jämfört med den enkla linjära utformningen, samtidigt som styrinsatsen blir mycket jämnare. Jämfört med den icke­linjära regulatorn levererar den fortfarande påtagligt mindre banavvikelser, reducerar hastighets- och spänningsrippel dramatiskt och undviker skarpa momenttoppar som kan belasta drivlinan eller göra passagerarna obekväma — allt detta med något lägre beräkningstid.

Vad detta betyder för vardagskörning

För en icke‑specialist är slutsatsen att detta arbete visar hur självkörande elbilar kan förses med en mer kapabel och effektiv "hjärna" utan att överbelasta omborddatorerna. Genom att kontinuerligt uppskatta vad som verkligen händer inuti motorn och integrera den informationen i en enhetlig bild av bilens rörelse håller den föreslagna regulatorn fordonet närmare sin avsedda bana, använder energi klokare och hanterar plötsliga förändringar mer elegant. Även om vidare arbete krävs för att utöka metoden till mycket låga hastigheter och mer detaljerade däck‑väg‑interaktioner pekar denna adaptiva styrstrategi mot elbilar som inte bara är renare, utan också mjukare, säkrare och bekvämare för sina passagerare.

Citering: 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

Nyckelord: styrning av autonom elbil, modellprediktiv styrning, synkron permanentmagnetmotor, koordinering av moment och styrning, real­tids adaptiv styrning