[pt] A crescente demanda por sistemas de transporte autônomos e inteligentes
exige o desenvolvimento de técnicas avançadas de controle e estimativa, visando
garantir operações seguras e eficientes. Devido à natureza não linear da
dinâmica veicular e seus fenômenos característicos, os métodos clássicos de
estimativa e controle podem não alcançar resultados adequados, o que incentiva
a pesquisa de novos algoritmos. Por algumas contribuições, a primeira parte
deste trabalho trata de algoritmos de estimação, tanto para identificação
de parâmetros invariantes no tempo, quanto para estimação de estados e
parâmetros variantes no tempo. Especial destaque é dados aos algoritmos de
Estimação de Estados por Horizonte Móvel (MHSE), que se apresenta como
robusto e preciso, devido ao problema de otimização com restrição em que se
baseia. Este algoritmo é avaliado em dinâmica longitudinal de veículos, para
estimativa de deslizamento longitudinal e coeficiente de atrito pneu-estrada.
Apesar de sua eficiência, o alto custo computacional torna necessária a busca
por alternativas sub-ótimas, e o emprego de Redes Neurais que mapeiam
os resultados da otimização é uma solução promissora, que é tratada como
Estimação por Horizonte Móvel com Redes Neurais (NNMHE). O NNMHE é
avaliado em uma estimativa do estado de carga (SOC) de baterias para veículos
elétricos, demonstrando, através de dados experimentais, que o NNMHE emula
com precisão o problema de otimização e a literatura indica sua aplicação
efetiva em hardwares embarcados. Por fim, é apresentada uma contribuição
sobre o controle preditivo baseado em modelo não linear (NMPC). É proposto
e avaliado seu uso compondo uma nova estrutura de controle hierárquica para
veículos elétricos com motores independentes nas rodas, através do qual é
possível controlar adequadamente o veículo em tarefas de rastreamento de
velocidade e trajetória, com reduzido esforço computacional. O controle é
avaliado usando dados experimentais de pneus obtidos, que aproximam a
simulação de situações reais. / [en] The rising demand of autonomous and intelligent transportation systems
requires the development of advanced control and estimation techniques, aiming to ensure safety and efficient operations. Due to the nonlinear nature of
vehicle dynamics and its characteristic phenomena, classical estimation and
control methods may not achieve adequate results, which encourages the research of novel algorithms. By some contributions, the first part of this work deals
with estimation algorithms, both for identification of time invariant parameters
and for estimation of states and time varying parameters. Special emphasis is
given to Moving-Horizon State Estimation (MHSE), which is presented to be
robust and accurate, due to the constrained optimization problem on which
it is based. This algorithm is evaluated in vehicle longitudinal dynamics, for
slip and tire-road friction estimation. Despite its efficiency, the high computational cost makes it necessary to search for suboptimal alternatives, and the
employ of a Neural Networks that maps the optimization results is a promising solution, which is treated as Neural Networks Moving-Horizon Estimation
(NNMHE). The NNMHE is evaluated on a state-of-charge (SOC) estimation
of batteries for electric vehicles, demonstrating, through experimental data,
that the NNMHE emulates accurately the optimization problem, and the literature indicates its effectively application on embedded hardware. Finally,
a contribution about Nonlinear Model-based Predictive Control (NMPC) is
presented. It is proposed and evaluated its use compounding a novel hierarchical control framework for electric vehicles with independent in-wheel motors,
through which it is possible to adequately control the vehicle on velocity and
path tracking tasks, with reduced computational effort. The control is evaluated using experimental obtained tire data, which approaches the simulation
to real situations.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:58727 |
| Date | 26 April 2022 |
| Creators | ELIAS DIAS ROSSI LOPES |
| Contributors | HELON VICENTE HULTMANN AYALA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0024 seconds