Stratégie ACC innovante pour véhicules électriques
Une percée significative dans le domaine du contrôle de croisière adaptatif (ACC) pour les véhicules électriques a été réalisée par une équipe de chercheurs de l’Université d’ingénierie de Shanghai. Sous la direction de Hu Shengli, Zhang Huanhuan, Jiang Zhongshun et Chang Xiaoyu, cette recherche a abouti au développement d’une stratégie de contrôle novatrice et multicouche, conçue pour améliorer de manière substantielle la sécurité, l’efficacité énergétique et le confort des véhicules électriques à propulsion distribuée. Publiée dans la prestigieuse revue Mechanical Science and Technology for Aerospace Engineering, cette étude présente une approche holistique qui cible des limitations critiques des systèmes ACC actuels, en particulier dans des conditions de conduite complexes comme les pentes et les virages. Ce travail représente une avancée majeure vers une mobilité plus intelligente, plus propre et plus sûre.
L’évolution du contrôle de croisière adaptatif est un reflet direct du cheminement vers la conduite autonome. Ce système, qui a commencé comme une simple aide à la régulation de vitesse, s’est transformé en une technologie sophistiquée capable de maintenir une distance de sécurité avec le véhicule qui précède, allant jusqu’à s’arrêter complètement et redémarrer en cas d’embouteillage. Le cœur de la plupart des systèmes ACC modernes repose sur le concept du « temps de distance » (time headway), qui correspond au temps nécessaire à un véhicule suiveur pour atteindre le point où se trouve actuellement le véhicule de tête. Initialement fixe, ce paramètre a évolué vers des modèles à temps de distance variable (VTH), qui ajustent la distance de sécurité en fonction de la vitesse relative et de l’accélération, offrant ainsi une expérience de conduite plus naturelle et plus sécurisée. Bien que diverses théories de contrôle, telles que le PID, la logique floue ou les réseaux de neurones, aient été appliquées, le contrôle prédictif basé sur un modèle (MPC) s’est imposé comme une solution de choix. Sa capacité à gérer simultanément plusieurs objectifs, souvent contradictoires comme la sécurité, le confort et l’économie d’énergie, dans un cadre d’optimisation unique, en fait un outil particulièrement puissant pour les applications automobiles. L’équipe de l’Université d’ingénierie de Shanghai a capitalisé sur cette approche, en identifiant deux lacunes majeures dans les systèmes existants que leur nouvelle stratégie vise à combler : l’inexactitude des mesures de distance des capteurs sur les routes non planes ou non droites, et l’inefficacité computationnelle des algorithmes MPC lorsqu’ils utilisent des horizons de prédiction longs.
Le défi le plus fondamental abordé par les chercheurs concerne l’imprécision inhérente des capteurs radar et lidar lors de la conduite en côte ou en virage. Ces capteurs mesurent la distance en ligne droite entre deux véhicules, ce qui ne correspond pas à la distance réelle parcourue sur la route. Sur une pente, la distance mesurée par le capteur est plus courte que la longueur réelle du trajet que le véhicule doit emprunter. De même, dans un virage, la distance de la corde mesurée par le capteur est inférieure à la longueur de l’arc de la route. Cette différence peut amener un système ACC à croire qu’il est plus proche du véhicule de tête qu’il ne l’est réellement, entraînant des freinages inutiles et désagréables, voire, dans le pire des cas, une incapacité à maintenir une distance de sécurité adéquate. Pour corriger ce défaut, l’équipe a mis au point une stratégie de compensation de distance sophistiquée. Pour la conduite en pente, ils ont développé un modèle qui calcule la distance réelle en projetant la mesure du capteur sur le plan horizontal, ajoutant ainsi efficacement la composante horizontale manquante de la pente. Pour la conduite en virage, ils ont utilisé des principes géométriques basés sur la position du véhicule et le rayon connu ou estimé du virage pour convertir la donnée en ligne droite du capteur en la longueur d’arc correcte. Cette correction en temps réel garantit que le système ACC opère toujours avec une compréhension précise de la distance réelle au véhicule de tête, un facteur crucial tant pour la sécurité que pour une conduite fluide et confiante. L’efficacité de cette stratégie a été validée par des simulations, où le signal de distance compensé divergeait des données brutes du capteur lorsque le véhicule de tête entrait en pente, puis convergé à nouveau une fois que le véhicule suiveur avait lui aussi commencé à monter, démontrant ainsi la précision et la réactivité du modèle.
Une fois un signal de distance fiable établi, les chercheurs ont concentré leurs efforts sur le cœur du système ACC : le contrôleur de niveau supérieur, chargé de calculer la commande d’accélération ou de décélération optimale. Ils ont choisi le MPC comme fondement de ce contrôleur, un choix naturel pour résoudre le problème d’équilibre entre la sécurité (minimisation des erreurs de distance et de vitesse), le confort (limitation des accélérations brutales et des saccades) et l’efficacité énergétique (minimisation de la consommation d’énergie). Cependant, une limitation bien connue du MPC est le compromis entre l’horizon de prédiction et la charge de calcul. Un horizon plus long permet au contrôleur d’anticiper les événements futurs de manière plus efficace, conduisant à un contrôle plus fluide et optimal. Mais un horizon plus long signifie également plus de calculs, ce qui peut surcharger l’unité de contrôle électronique (ECU) du véhicule et réduire la performance en temps réel du système. Pour surmonter cet obstacle, l’équipe a introduit une méthode de « discrétisation à pas variable ». Cette approche innovante divise l’horizon de prédiction en deux parties distinctes. Dans la partie à court terme, où un contrôle immédiat et précis est le plus critique, un pas de temps court est utilisé, offrant une haute résolution et une grande précision. Dans la partie à long terme, où le moment exact d’une manœuvre est moins important que la tendance générale, un pas de temps plus long est employé, réduisant drastiquement le nombre de calculs nécessaires. Cette méthode hybride permet au système de maintenir un horizon de prédiction long pour une planification supérieure tout en gardant la charge de calcul gérable, assurant ainsi à la fois une grande précision et une capacité de réponse en temps réel. Cette avancée est particulièrement importante pour les véhicules électriques, où l’efficacité énergétique est primordiale, car un profil de conduite prédit avec plus de précision et plus de fluidité se traduit directement par une consommation d’énergie réduite et une autonomie accrue.
Le contrôleur MPC de niveau supérieur émet une seule commande d’accélération souhaitée. Le composant final et tout aussi critique du système est le contrôleur de niveau inférieur, qui traduit cette commande de haut niveau en actions spécifiques pour les actionneurs du véhicule : les moteurs et les freins. Pour un véhicule électrique à propulsion distribuée, qui dispose d’un moteur indépendant sur chaque roue, cela offre une opportunité unique d’optimisation. Les chercheurs ont conçu un système de contrôle de niveau inférieur qui inclut un modèle inverse de la dynamique longitudinale, un modèle inverse du système de transmission et un modèle inverse du système de freinage. Cela permet au contrôleur de calculer avec précision le couple total requis pour atteindre l’accélération souhaitée. Un élément clé est la logique de commutation entre freinage et propulsion, qui privilégie le freinage régénératif en utilisant les moteurs électriques. Seulement lorsque la capacité de freinage du moteur est insuffisante, le système active les freins hydrauliques conventionnels, maximisant ainsi la récupération d’énergie et améliorant encore l’efficacité globale.
L’aspect le plus innovant du contrôle de niveau inférieur est la stratégie de répartition du couple. Plutôt que de simplement diviser le couple total requis de manière égale entre les quatre roues, les chercheurs ont développé un algorithme qui optimise la répartition afin de maximiser l’efficacité de conduite globale du véhicule. Cette stratégie repose sur le principe que les moteurs électriques ont des niveaux d’efficacité différents selon leur point de fonctionnement, notamment leur couple et leur vitesse de rotation. L’algorithme calcule en continu la répartition de couple optimale pour les essieux avant et arrière, et même entre les roues gauche et droite du même essieu, afin de garantir que chaque moteur fonctionne dans sa plage la plus efficace. Cette optimisation est soumise à des limites physiques, telles que le couple maximal que chaque moteur peut produire et l’adhérence du pneu sur la route, pour assurer la sécurité et la stabilité. L’équipe a testé cette stratégie dans deux scénarios de conduite principaux : la conduite en ligne droite et la prise de virage.
Dans le scénario de conduite en ligne droite, les résultats de la simulation étaient clairs. Lorsque le véhicule circulait à vitesse constante, la stratégie de répartition de couple optimisée a atteint une efficacité de propulsion globale mesurablement supérieure par rapport à une simple stratégie de répartition égale. Cette différence, bien qu’apparemment petite en pourcentage, représente un gain tangible en économie d’énergie sur la durée de vie du véhicule. L’importance de cette découverte réside dans le fait qu’une stratégie de contrôle intelligente peut extraire une efficacité supplémentaire du groupe motopropulseur, même dans la condition de conduite la plus basique. Dans le scénario de prise de virage, les résultats étaient tout aussi convaincants. L’algorithme a réussi à maintenir la stabilité du véhicule en respectant les principes de la géométrie de direction Ackermann, garantissant que les roues intérieures et extérieures reçoivent des vitesses appropriées. Plus important encore, malgré la complexité accrue d’un virage, la répartition de couple optimisée a de nouveau surpassé la méthode de répartition égale, démontrant que les gains d’efficacité ne sont pas sacrifiés pour la tenue de route. La simulation a montré que l’efficacité de propulsion globale est restée constamment plus élevée pendant toute la manœuvre, y compris lors de l’accélération en sortie de virage.
La nature globale de cette recherche a été validée par une série de simulations rigoureuses dans l’environnement CarSim/Simulink, un outil standard dans l’industrie automobile pour les tests virtuels de véhicules. Trois scénarios de conduite distincts et exigeants ont été utilisés pour tester l’ensemble du système ACC. Le premier était un scénario de « stop-and-go » sur une route droite, simulant un trafic dense. Les résultats ont montré que le système pouvait accélérer et décélérer en douceur, en maintenant une distance de sécurité sans freinages brusques ou mouvements saccadés. Le deuxième scénario impliquait de suivre un véhicule de tête sur une pente de 10 %. Lorsque le véhicule de tête est entré en pente, la stratégie de compensation de distance a corrigé immédiatement le signal de distance, empêchant le véhicule suiveur de se rapprocher trop près. Le système a ensuite géré sans problème la demande accrue de puissance pour la montée, démontrant une excellente performance de suivi. Le troisième scénario était un parcours complexe avec des virages à gauche et à droite de rayons différents. Le système a géré en douceur les transitions entre les sections droites et les virages, la stratégie de répartition de couple s’adaptant en temps réel à la dynamique changeante. Pendant tous les scénarios, l’accélération du véhicule est restée dans des limites confortables, confirmant l’accent mis par le système sur la qualité de conduite.
Les implications de cette recherche sont vastes. Pour les constructeurs automobiles, cette stratégie de contrôle offre une solution prête à être mise en œuvre pour améliorer les performances des prochaines générations de véhicules électriques. La combinaison d’une sécurité accrue en côte et en virage, d’une efficacité énergétique supérieure grâce à une répartition optimisée du couple, et d’une conduite plus fluide et plus confortable répond directement aux principales préoccupations des consommateurs. Pour le domaine plus large des systèmes de transport intelligents, ce travail représente un pas significatif vers des systèmes de conduite autonome plus fiables et capables. En garantissant que le véhicule ait une perception précise de son environnement et puisse prendre des décisions optimales avec une efficacité computationnelle, cette technologie contribue à poser les bases pour des niveaux d’automatisation plus élevés. Le succès de la méthode de discrétisation à pas variable pourrait également inspirer des approches similaires dans d’autres systèmes de contrôle du véhicule, comme l’assistance au maintien de voie ou la gestion prédictive de l’énergie.
En conclusion, l’équipe de recherche de l’Université d’ingénierie de Shanghai a présenté une solution globale et hautement efficace aux défis du contrôle de croisière adaptatif pour les véhicules électriques à propulsion distribuée. En abordant les problèmes d’imprécision des capteurs, d’inefficacité computationnelle et de contrôle sous-optimal des actionneurs avec une série de stratégies interconnectées et intelligentes, ils ont créé un système qui est plus que la somme de ses parties. Leur travail démontre une compréhension approfondie des fondements théoriques de l’ingénierie du contrôle et des réalités pratiques de la dynamique du véhicule. Alors que l’industrie automobile continue sa transition rapide vers l’électrification et l’automatisation, des recherches comme celle-ci ne sont pas de simples exercices académiques ; elles constituent l’ingénierie essentielle qui façonnera l’expérience de conduite du futur. Cette nouvelle stratégie ACC se dresse comme un témoignage du pouvoir de l’innovation pour créer un transport plus sûr, plus efficace et plus agréable.
Hu Shengli, Zhang Huanhuan, Jiang Zhongshun, Chang Xiaoyu, Shanghai University of Engineering Science, Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20220211