Une percée dans l’estimation dynamique des véhicules électriques
Dans un domaine automobile en pleine transformation, où la sécurité, la performance et l’intelligence des systèmes de contrôle définissent la nouvelle génération de véhicules, une avancée majeure vient d’être réalisée dans le domaine de l’estimation des états dynamiques. Des chercheurs du Collège d’ingénierie des véhicules et des transports de l’Université des sciences et technologies de Taiyuan ont mis au point un algorithme innovant capable d’estimer en temps réel des paramètres critiques tels que la vitesse du véhicule, l’angle de dérapage et le coefficient d’adhérence de la route. Cette technologie, conçue spécifiquement pour les véhicules électriques à propulsion distribuée, ouvre la voie à des systèmes de contrôle plus sûrs, plus réactifs et plus accessibles.
Les véhicules électriques modernes, en particulier ceux équipés de moteurs sur chaque roue, offrent un potentiel sans précédent en matière de contrôle dynamique. Cependant, pour exploiter pleinement cette capacité, il est essentiel de connaître avec une grande précision l’état réel du véhicule en tout instant. Des paramètres comme la vitesse longitudinale, la vitesse latérale, l’angle de dérapage du centre de gravité et la vitesse de lacet sont fondamentaux pour les systèmes d’aide à la conduite avancés (ADAS), le contrôle de stabilité électronique (ESP) et le contrôle vectoriel du couple. Traditionnellement, ces données sont obtenues à l’aide de capteurs spécialisés, souvent coûteux, comme des unités de mesure inertielle (IMU) de haute précision ou des capteurs directs d’angle de dérapage. Ce recours à du matériel haut de gamme augmente le coût de production et limite la diffusion de ces technologies de sécurité à des véhicules haut de gamme.
C’est précisément ce défi que l’équipe de recherche menée par Yuan Yuan, Wang Hang, Zhao Pengju et Cheng Qingli a relevé. Leur objectif était de développer une solution capable d’atteindre une précision comparable à celle des capteurs physiques, mais en utilisant uniquement les signaux provenant des capteurs déjà présents dans un véhicule de série. L’idée maîtresse était de remplacer un investissement matériel coûteux par une intelligence algorithmique sophistiquée, rendant ainsi les fonctions de sécurité avancées plus accessibles à une large gamme de véhicules.
La pierre angulaire de leur innovation réside dans l’utilisation d’un algorithme de filtrage avancé, le filtre de Kalman par cubature (CKF), renforcé par une technique de stabilisation numérique appelée décomposition en valeurs singulières (SVD). Pour comprendre l’importance de ce choix, il faut considérer la nature même de la dynamique d’un véhicule. Lorsqu’une voiture prend un virage, freine brusquement ou évite un obstacle, ses mouvements ne suivent pas des lois linéaires simples. C’est un système fortement non linéaire, où les forces latérales, longitudinales et de lacet interagissent de manière complexe et imprévisible.
Les méthodes d’estimation classiques, comme le filtre de Kalman étendu (EKF), tentent de simplifier ce problème en « linéarisant » les équations du système autour d’un point de fonctionnement. Cette approche fonctionne bien pour de petites perturbations, mais échoue lamentablement dans des situations dynamiques extrêmes, comme un dérapage ou une manœuvre d’évitement. La linéarisation peut introduire des erreurs importantes, voire provoquer la divergence du filtre, rendant les estimations totalement inutilisables. Un autre filtre populaire, le filtre de Kalman non parfumé (UKF), évite la linéarisation en utilisant un ensemble de points sigma, mais il peut souffrir de problèmes de stabilité numérique dans les systèmes à haute dimension, notamment lorsque la matrice de covariance perd sa propriété de définie positive, un défaut critique qui mène à l’instabilité.
C’est là que le filtre de Kalman par cubature entre en jeu. Contrairement à ses prédécesseurs, le CKF utilise une règle de cubature sphérique-radiale pour calculer numériquement les intégrales nécessaires à l’estimation bayésienne. Cette méthode est intrinsèquement plus précise pour les systèmes non linéaires et offre une meilleure convergence. Cependant, même le CKF peut être vulnérable aux erreurs d’arrondi dans les calculateurs embarqués des véhicules, où la précision arithmétique est limitée. C’est pourquoi les chercheurs ont intégré la SVD dans le processus de mise à jour de la covariance. La SVD décompose la matrice de covariance en ses composantes fondamentales, garantissant qu’elle reste toujours bien conditionnée et positive semi-définie. Cette combinaison, CKF-SVD, confère au filtre une robustesse exceptionnelle, lui permettant de fonctionner de manière fiable même dans les conditions de conduite les plus exigeantes et sur des plateformes de calcul aux ressources limitées.
L’architecture de l’algorithme est un autre facteur clé de son succès. Plutôt que d’estimer l’état du véhicule et le coefficient d’adhérence de la route comme deux problèmes séparés, l’équipe a conçu un système d’estimation conjointe en boucle fermée. Ce processus fonctionne comme un dialogue continu. Un premier estimateur, basé sur un modèle dynamique à trois degrés de liberté (3-DOF) du véhicule, utilise les données des capteurs (accélération, angle de braquage, vitesse de lacet, forces de traction aux roues) pour estimer la vitesse et l’angle de dérapage. Ces estimations sont ensuite transmises à un second estimateur, dont le rôle est de déterminer le coefficient d’adhérence de la route pour chaque roue. Ce dernier, en retour, fournit une estimation de l’adhérence qui est utilisée pour affiner le modèle de pneu (dans ce cas, le modèle Dugoff), améliorant ainsi la précision des forces latérales prédites. Cette information améliorée est réinjectée dans le premier estimateur, créant un cycle de rétroaction qui affine continuellement les deux estimations. Cette approche symbiotique permet une convergence plus rapide et une résilience accrue face au bruit des capteurs et aux incertitudes du modèle.
Pour valider leur approche, les chercheurs ont d’abord mené une campagne de simulations intensives sur une plateforme co-simulée Carsim/Simulink, un standard de l’industrie. Les tests ont été conçus pour reproduire des scénarios de conduite d’urgence réalistes, notamment des manœuvres de double changement de voie à 30 km/h et 60 km/h. Trois types de surfaces ont été simulés : une route à haute adhérence (asphalte sec), une route à faible adhérence (surface mouillée ou verglacée) et une condition de « split-μ », où une moitié de la chaussée est sèche et l’autre moitié est mouillée, une situation particulièrement dangereuse qui peut provoquer une perte de contrôle soudaine.
Les résultats des simulations ont été impressionnants. L’erreur d’estimation de la vitesse longitudinale et latérale est restée inférieure à 1 % par rapport aux valeurs de référence. L’angle de dérapage, un paramètre notoirement difficile à mesurer directement, a été estimé avec une fidélité remarquable, même aux pics de la manœuvre. Le coefficient d’adhérence a convergé vers sa valeur réelle en moins de 0,3 seconde sur les surfaces à faible adhérence et en 0,4 seconde sur les surfaces à haute adhérence. Cette rapidité de réaction est cruciale, car elle donne aux systèmes de contrôle électronique suffisamment de temps pour intervenir avant qu’une situation ne devienne critique.
Cependant, les simulations, aussi fidèles soient-elles, ne peuvent pas remplacer les conditions réelles. C’est pourquoi l’équipe a franchi une étape décisive en implémentant l’algorithme sur une plateforme de véhicule réel. Le modèle de l’estimateur, développé dans Simulink, a été converti en code embarqué et téléchargé sur une unité de contrôle électronique (ECU). Cette ECU a été connectée au réseau CAN du véhicule, le protocole de communication standard, pour collecter des données des capteurs de production : un accéléromètre, un capteur d’angle de direction, une unité de mesure inertielle (IMU) pour la vitesse longitudinale et la vitesse de lacet, ainsi que des capteurs de vitesse de roue.
Les essais sur route ont été effectués à 50 km/h, une vitesse représentative du trafic urbain et périurbain. Malgré la complexité du monde réel — irrégularités de la chaussée, dynamique de suspension, bruit des capteurs, délais de système et variations non modélisées — l’algorithme a démontré une robustesse remarquable. Les erreurs d’estimation de la vitesse et de l’angle de dérapage sont restées inférieures à 5 %. L’estimation du coefficient d’adhérence, bien que légèrement moins précise qu’en simulation, est restée dans une marge d’erreur raisonnable de 10 %. L’écart entre les résultats de simulation et les résultats réels, d’environ 9 %, est attribué à des facteurs tels que les perturbations mécaniques, les retards du système et les imperfections du modèle. Néanmoins, la tendance globale des estimations était parfaitement cohérente, confirmant la validité de l’approche.
Un point intéressant a émergé des essais : la précision de l’estimation du coefficient d’adhérence était meilleure sur les roues avant que sur les roues arrière. Cela s’explique probablement par le fait que les roues avant, étant directement impliquées dans la direction, génèrent plus d’informations dynamiques pertinentes, comme des forces latérales plus marquées lors d’un virage. Cette observation pourrait influencer la conception future des systèmes de contrôle, suggérant que des stratégies d’estimation axées sur les roues avant pourraient offrir un avantage dans certaines configurations.
Les implications de cette recherche pour l’industrie automobile sont profondes. Elle fournit une voie claire pour intégrer des fonctions de sécurité et de contrôle de pointe dans les véhicules de série sans alourdir la facture avec des capteurs coûteux. Cela correspond parfaitement à la tendance vers les véhicules définis par le logiciel, où la valeur est de plus en plus créée par des algorithmes intelligents plutôt que par de l’hardware supplémentaire. En réduisant la dépendance à des capteurs spécialisés, cette technologie peut accélérer la démocratisation des systèmes de conduite avancée.
De plus, la précision et la rapidité de cet algorithme en font un candidat idéal pour les véhicules autonomes de prochaine génération. La connaissance exacte de l’état du véhicule et des conditions de la route est une pierre angulaire de la planification de trajectoire, de l’évaluation des risques et de la prise de décision autonome. Un système capable de fournir ces données de manière fiable et économique est un élément fondamental pour la viabilité de la mobilité autonome à grande échelle.
Enfin, cette étude illustre parfaitement le rôle croissant des institutions académiques chinoises dans l’innovation technologique de pointe. Soutenue par le Programme de guidage pour le transfert de technologie de la province du Shanxi, cette recherche menée à l’Université des sciences et technologies de Taiyuan est un exemple de science appliquée de haute qualité, qui résout un problème industriel concret avec une méthodologie rigoureuse et une validation expérimentale complète.
En conclusion, l’algorithme d’estimation conjointe basé sur le CKF-SVD développé par Yuan Yuan et ses collègues représente bien plus qu’une simple amélioration technique. C’est une percée qui comble le fossé entre la théorie du filtrage et l’application automobile pratique. Il démontre qu’il est possible d’atteindre une précision et une fiabilité élevées non pas par des coûts matériels, mais par de l’intelligence logicielle. Alors que l’automobile poursuit sa transformation vers l’électrification, la numérisation et l’autonomie, des innovations comme celle-ci seront les piliers invisibles sur lesquels reposera une mobilité future plus sûre, plus intelligente et plus accessible à tous.
Yuan Yuan, Wang Hang, Zhao Pengju, Cheng Qingli, Collège d’ingénierie des véhicules et des transports, Université des sciences et technologies de Taiyuan. Publié dans Journal of Taiyuan University of Technology. DOI: 10.16355/j.tyut.1007-9432.20230830