Un nouvel algorithme améliore l’estimation de l’état des véhicules électriques
Dans le paysage en constante évolution de l’automobile intelligente, la précision de l’estimation de l’état dynamique d’un véhicule est devenue un enjeu central. Cette capacité à déterminer en temps réel des paramètres critiques tels que la vitesse longitudinale, la vitesse de lacet et l’angle de dérapage latéral du centre de gravité est la pierre angulaire des systèmes avancés d’aide à la conduite (ADAS) et des technologies de conduite autonome. La sécurité, la stabilité et la performance d’une voiture moderne dépendent directement de la fiabilité de ces données. Pourtant, malgré les progrès réalisés, une faille persistante mine la précision de ces estimations dans les situations extrêmes : la modélisation simplifiée des pneus, et plus précisément, l’hypothèse erronée que la raideur latérale des pneus est une constante.
Une percée significative dans ce domaine a été réalisée par une équipe de chercheurs de l’Université des Chemins de Fer de Shijiazhuang. Dans une étude publiée dans la revue Mechanical Science and Technology for Aerospace Engineering, Fu Yuesheng, Li Shaohua et Wang Guiyang ont présenté un algorithme innovant, baptisé FAEKF+FFRLS, qui repense fondamentalement la manière dont les véhicules intelligents perçoivent leur propre dynamique. Leur approche, loin de considérer la raideur des pneus comme un paramètre fixe, la traite comme une variable dynamique qui évolue en temps réel, en fonction des conditions de conduite, de l’adhérence de la route et de la charge du véhicule. Ce changement de paradigme permet une estimation de l’état du véhicule d’une précision sans précédent, en particulier dans les manœuvres aux limites.
La majorité des algorithmes d’estimation utilisés aujourd’hui reposent sur des modèles de véhicule qui supposent une relation linéaire entre l’angle de dérive du pneu et la force latérale qu’il génère. Cette hypothèse est raisonnable dans des conditions de conduite normales, où les pneus fonctionnent dans leur zone d’adhérence optimale. Cependant, dès que le conducteur effectue une manœuvre brusque, qu’il roule à haute vitesse sur une chaussée mouillée ou qu’il freine de manière violente, les pneus entrent dans leur zone de saturation non linéaire. Dans cette phase critique, la force latérale atteint un plafond et ne croît plus proportionnellement à l’angle de dérive. Un modèle qui continue d’appliquer une raideur latérale constante dans ces circonstances génère des erreurs systématiques dans la prédiction du comportement du véhicule. Ces erreurs, même minimes, peuvent être fatales pour les systèmes de contrôle de stabilité (ESP), qui s’appuient sur une perception exacte de l’état du véhicule pour intervenir au bon moment. Le travail de Fu Yuesheng, Li Shaohua et Wang Guiyang s’attaque directement à cette faiblesse fondamentale en reconnaissant que la raideur latérale des pneus est intrinsèquement instable.
Le cœur de leur innovation réside dans l’architecture en boucle fermée de l’algorithme FAEKF+FFRLS. Ce dernier est le fruit de la combinaison ingénieuse de deux techniques puissantes, intégrées de manière symbiotique. La première composante est le Filtre de Kalman Étendu Adaptatif Flou (Fuzzy Adaptive Extended Kalman Filter, FAEKF), chargé de l’estimation des états principaux du véhicule. Le filtre de Kalman étendu (EKF) est une méthode classique pour estimer l’état d’un système non linéaire à partir de mesures bruitées. Il fonctionne en deux étapes : une prédiction basée sur un modèle dynamique, suivie d’une mise à jour qui corrige cette prédiction en se basant sur les données des capteurs. La performance de l’EKF dépend crucialement de la matrice de covariance du bruit de mesure, qui quantifie l’incertitude des capteurs. Dans les applications traditionnelles, cette matrice est souvent fixée à une valeur constante, ce qui peut être problématique si la qualité du signal des capteurs varie.
C’est là qu’intervient l’élément « adaptatif flou » du FAEKF. Plutôt que d’utiliser une matrice de bruit fixe, l’algorithme intègre un contrôleur logique flou qui ajuste dynamiquement le gain de Kalman. Ce contrôleur analyse la différence entre la covariance de l’erreur de mesure prédite par le modèle et la covariance de l’erreur réelle observée (le résidu). Si l’erreur réelle est plus grande que prévu, le contrôleur interprète que le bruit de mesure a augmenté et réduit le gain du filtre, le rendant moins sensible aux mesures et plus confiant dans le modèle. Inversement, si l’erreur est plus faible, le gain est augmenté, permettant au filtre de s’ajuster plus rapidement aux changements réels de l’état du véhicule. Ce mécanisme de rétroaction intelligent confère à l’algorithme une robustesse exceptionnelle, lui permettant de maintenir un haut niveau de précision même lorsque les données des capteurs sont instables ou de qualité variable, une caractéristique essentielle pour une application en conditions réelles.
La seconde composante de l’algorithme est la méthode des Moindres Carrés Récursifs avec Facteur d’Oubli (Forgetting-Factor Recursive Least Squares, FFRLS), dont le but spécifique est d’estimer la raideur latérale des pneus en temps réel. Plutôt que de dépendre de mesures directes et imprécises de l’angle de dérapage latéral, le FFRLS utilise une méthode indirecte connue sous le nom de méthode d’acouplement latéral-lacet. Il combine les équations du mouvement latéral et de lacet du véhicule, éliminant ainsi la nécessité de connaître directement l’angle de dérapage. Les entrées de cet estimateur sont l’accélération latérale mesurée, la vitesse longitudinale estimée, la vitesse de lacet et l’angle de braquage, toutes des données disponibles sur les véhicules modernes. Le « facteur d’oubli » est une caractéristique cruciale du FFRLS. Il permet à l’algorithme de donner plus de poids aux données les plus récentes et d' »oublier » progressivement les données plus anciennes. Cela est vital pour que l’estimation de la raideur s’adapte rapidement à des changements soudains des conditions d’adhérence, par exemple lorsque le véhicule passe d’une chaussée sèche à une section verglacée. Sans ce facteur, l’algorithme pourrait être trop lent pour réagir à ces transitions critiques.
La véritable génie de la recherche de Fu Yuesheng, Li Shaohua et Wang Guiyang réside dans la manière dont ces deux niveaux sont intégrés. Ils ne fonctionnent pas de manière indépendante, mais sont combinés dans une structure « embarquée » (embedded). Le processus commence par le FAEKF qui effectue une prédiction de l’état du véhicule. Cette prédiction, en particulier la vitesse longitudinale et la vitesse de lacet, est ensuite utilisée comme entrée pour l’estimateur FFRLS. Le FFRLS calcule alors une nouvelle valeur mise à jour pour la raideur latérale des pneus. Cette valeur nouvellement estimée est immédiatement réinjectée dans le modèle dynamique utilisé par le FAEKF pour sa prochaine prédiction. Ce cycle continu d’estimation d’état, d’estimation de paramètre et de rétroaction mutuelle crée un système de correction automatique qui améliore considérablement la précision des deux estimations. Cette architecture en boucle fermée garantit que le modèle du véhicule utilise toujours les paramètres les plus à jour, reflétant les conditions réelles de conduite, ce qui est fondamental pour la précision dans les manœuvres extrêmes.
Pour valider l’efficacité de leur algorithme, les chercheurs de l’Université des Chemins de Fer de Shijiazhuang ont mené des simulations de co-simulation approfondies en utilisant Trucksim et MATLAB/Simulink. Ils ont modélisé un véhicule électrique à propulsion sur les quatre roues, tirant parti du fait que le couple et la vitesse de chaque moteur de roue sont facilement mesurables. Cela leur a permis un calcul direct et précis des forces longitudinales sur chaque roue, améliorant ainsi la qualité du modèle dynamique. Les tests ont été réalisés dans un scénario de « double changement de voie », une manœuvre à haute intensité qui met à l’épreuve les limites de stabilité du véhicule, dans trois conditions distinctes : basse vitesse (30 km/h) sur une surface à faible adhérence (coefficient de friction μ = 0,3), haute vitesse (80 km/h) sur une surface à haute adhérence (μ = 0,8) et la condition la plus difficile, haute vitesse sur faible adhérence (80 km/h, μ = 0,3).
Les résultats ont été sans appel. Dans tous les scénarios, l’algorithme FAEKF+FFRLS a largement surpassé l’EKF standard. L’amélioration était la plus marquée dans la condition la plus extrême. Par exemple, dans la simulation à 80 km/h sur μ = 0,3, l’erreur relative dans l’estimation de l’angle de dérapage latéral du centre de gravité a été réduite de 41,0% avec l’EKF standard à seulement 5,36% avec le nouvel algorithme. De même, l’erreur dans l’estimation de la vitesse de lacet est passée de 10,09% à 3,88%. Ces chiffres démontrent non seulement une amélioration de la précision, mais aussi une plus grande robustesse et stabilité de l’algorithme proposé dans des conditions dynamiques sévères.
Les implications de cette recherche vont bien au-delà de l’amélioration d’un algorithme théorique. Une estimation précise de l’angle de dérapage latéral est le cœur de tout système de contrôle de stabilité électronique (ESP). Un algorithme capable de fournir cette information avec une grande fidélité, même dans des conditions de faible adhérence, a le potentiel de rendre les systèmes de sécurité beaucoup plus efficaces, en évitant les pertes de contrôle avant qu’elles ne se produisent. De plus, l’estimation en temps réel de la raideur latérale des pneus peut servir d’indicateur indirect du coefficient de friction de la route. Une chute soudaine de la valeur estimée pourrait alerter le système de contrôle du véhicule sur une perte d’adhérence, permettant une réponse proactive, comme une réduction de vitesse ou une redistribution du couple entre les essieux. Cette capacité d’anticipation est un pas crucial vers des véhicules véritablement intelligents et proactifs.
L’étude souligne également l’importance de la collaboration interdisciplinaire, combinant des connaissances en dynamique des véhicules, théorie du contrôle, logique floue et traitement du signal. La publication de ce travail dans une revue à comité de lecture de haut niveau, Mechanical Science and Technology for Aerospace Engineering, confirme son rigueur scientifique et sa pertinence technique.
L’avenir de cette recherche est prometteur. Les auteurs prévoient de valider l’algorithme sur des véhicules instrumentés lors d’essais sur piste réels, une étape nécessaire pour évaluer sa performance face aux imperfections du monde réel. À long terme, l’algorithme pourrait être étendu pour estimer d’autres paramètres dynamiques, comme la masse totale du véhicule ou la pente de la route. L’intégration de techniques d’apprentissage automatique pourrait permettre au système d’apprendre de ses expériences de conduite passées, affinant continuellement ses estimations. Dans un monde où la sécurité routière et l’automatisation sont des priorités, le travail de Fu Yuesheng, Li Shaohua et Wang Guiyang représente une avancée significative, démontrant comment une compréhension plus profonde de la physique du véhicule peut conduire à des innovations qui transforment l’expérience de conduite.
Fu Yuesheng, Li Shaohua, Wang Guiyang, Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20220190