⚡ electrical engineering

An Actor-Critic-Identifier Control Design for Increasing Energy Efficiency of Automated Electric Vehicles

Este artículo propone un diseño de control basado en un esquema de actor-crítico e identificador mediante redes neuronales para optimizar la eficiencia energética de vehículos eléctricos automatizados, logrando aumentar la recuperación de energía en un 12,84% en comparación con los controladores tradicionales.

Autores originales: Hamed Faghihian, Arman Sargolzaei

Publicado 2026-02-11

📖 3 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Hamed Faghihian, Arman Sargolzaei

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Dilema del Coche Eléctrico: ¿Cómo viajar más lejos sin cargar más la batería?

Imagina que tienes un coche eléctrico y tu mayor miedo es quedarte "tirado" en medio de la carretera porque se acabó la batería. La solución obvia sería poner una batería gigante, pero eso es como intentar que un corredor de maratón corra más lejos cargando una mochila llena de piedras: el peso extra hará que gaste energía aún más rápido.

El problema real: Los coches eléctricos son muy sensibles. Si aceleras de golpe o frenas de forma brusca, desperdicias energía. Además, cada coche es un mundo: la temperatura, el peso y el estado de la batería cambian cómo se gasta la energía, y es muy difícil crear una "fórmula matemática" perfecta que funcione para todos los coches y todas las situaciones.

La Solución: El "Cerebro Triple" (Actor-Crítico-Identificador)

Los investigadores han diseñado un sistema de control inteligente que no necesita que le expliques cómo funciona el coche de antemano. En lugar de eso, el coche aprende mientras conduce. Para lograrlo, le han dado tres "personalidades" o funciones distintas que trabajan en equipo, como si fuera un equipo de producción de cine:

1. El Identificador (El Observador Curioso 🕵️‍♂️)

Imagina a un detective que está constantemente mirando el coche. Su único trabajo es decir: "Mira, cada vez que pisamos el acelerador así, el coche reacciona de esta manera". Él no decide qué hacer, solo aprende las reglas del juego (la física del coche) en tiempo real. Si el coche pesa más hoy porque llevas maletas, el detective lo nota y se lo comunica al equipo.

2. El Crítico (El Juez Exigente ⚖️)

Este es el experto en economía. Su trabajo es mirar lo que está pasando y decir: "¡Error! Eso que acabas de hacer ha gastado demasiada energía" o "¡Bien hecho! Esa maniobra ha sido muy eficiente". El Crítico no conduce, pero pone la nota de cada movimiento basándose en cuánto se está gastando la batería.

3. El Actor (El Conductor Inteligente 🏎️)

Este es el que finalmente mueve el volante y el pedal. El Actor escucha al Detective (para saber cómo responderá el coche) y al Crítico (para saber si está siendo eficiente). Su objetivo es ser un conductor perfecto: alguien que mantiene la velocidad que le piden, pero que lo hace con la suavidad de un maestro, aprovechando cada frenada para recargar la batería (lo que se llama frenado regenerativo).

¿Qué lograron con esto? (Los resultados)

En lugar de usar un controlador tradicional (como un conductor novato que solo mira el velocímetro y pisa el pedal a lo loco), este sistema de "Cerebro Triple" demostró ser increíblemente eficiente en las simulaciones:

Menos errores: El coche sigue la velocidad deseada de forma mucho más suave y precisa.
Más ahorro: Lograron que el coche consumiera mucha menos energía. En las pruebas, la diferencia fue impresionante: el sistema propuesto redujo el consumo de energía un 42% comparado con los métodos tradicionales.

En resumen...

Es como si, en lugar de darle a un conductor un manual de instrucciones aburrido y difícil de seguir, le diéramos un entrenador personal, un detective y un experto en finanzas que viven dentro de su cabeza. Así, el coche aprende a "bailar" con la carretera, ahorrando energía y permitiéndonos viajar distancias mucho más largas sin necesidad de baterías pesadas y costosas.

Resumen Técnico: Diseño de Control Actor-Crítico-Identificador para el Aumento de la Eficiencia Energética en Vehículos Eléctricos Automatizados

1. El Problema

A pesar del auge de los vehículos eléctricos (EV), la limitación de su autonomía sigue siendo una barrera crítica. Aunque aumentar la capacidad de la batería es una solución obvia, esta conlleva mayores costos, peso y preocupaciones ambientales. Una alternativa prometedora es mejorar la eficiencia energética mediante el control avanzado en vehículos automatizados (AV).

El desafío técnico reside en que la relación entre los comandos de control (como el torque del motor) y el consumo de potencia real es altamente no lineal, dependiente del estado (temperatura, estado de carga, velocidad) y difícil de modelar de forma explícita. Los métodos de control tradicionales (como MPC o Programación Dinámica) dependen de modelos precisos que suelen ser inexactos o computacionalmente costosos en tiempo real.

2. Metodología Propuesta: Arquitectura ACI

Los autores proponen un controlador basado en aprendizaje por refuerzo (RL) denominado Actor-Crítico-Identificador (ACI). A diferencia de los métodos convencionales que separan la identificación del sistema del control, esta arquitectura acopla tres redes neuronales (NN) que aprenden de forma simultánea y en línea:

Identificador (NN): Aprende y estima la dinámica desconocida del vehículo ( $g(x)$ ), permitiendo compensar las incertidumbres del sistema en tiempo real. Utiliza un término de retroalimentación RISE para garantizar la precisión.
Crítico (NN): Aproxima la función de valor óptima ( $J^*$ ), que representa el costo acumulado de energía y error de seguimiento.
Actor (NN): Genera la política de control óptima ( $\hat{u}$ ) para minimizar el residuo de la ecuación de Hamilton-Jacobi-Bellman (HJB), equilibrando el seguimiento de la velocidad deseada con el mínimo consumo de energía.

Fundamento Matemático: La estabilidad de todo el sistema se garantiza mediante un análisis de estabilidad de Lyapunov y la teoría de Filippov para sistemas discontinuos. Esto asegura que los errores de las redes neuronales y el error de seguimiento de velocidad converjan o permanezcan dentro de límites acotados (UUB - Uniformly Ultimately Bounded).

3. Contribuciones Clave

Eliminación de modelos explícitos: El controlador no requiere un modelo previo de consumo de potencia o mapas de eficiencia, lo que lo hace adaptable a diferentes tipos de vehículos eléctricos.
Control de ciclo cerrado integrado: Combina la identificación de la dinámica del vehículo con la optimización de la política de conducción en un solo marco de trabajo.
Garantía de estabilidad: Proporciona leyes de actualización para las redes neuronales derivadas matemáticamente para asegurar la estabilidad del sistema bajo condiciones de conducción variables.

4. Resultados

La eficacia del controlador ACI se validó mediante simulaciones utilizando un modelo realista de tren motriz y dinámica de vehículos, comparándolo con un controlador PID tradicional ajustado. Los resultados principales fueron:

Seguimiento de Velocidad: El controlador ACI demostró un error de seguimiento de velocidad significativamente menor que el PID (ver Fig. 3 del documento).
Eficiencia Energética: El controlador ACI logró una reducción drástica en la energía de tracción neta. Mientras que el PID consumió aproximadamente 13.835 kJ, el controlador propuesto consumió solo 7.99 kJ, lo que representa una reducción del 42% en el consumo de energía (según la Tabla II).
Recuperación de Energía: El método optimiza el uso del frenado regenerativo, permitiendo una gestión de potencia más eficiente entre la aceleración y la deceleración.

5. Significancia

Este trabajo demuestra que es posible alcanzar una conducción altamente eficiente en vehículos eléctricos sin necesidad de conocer de antemano las complejas ecuaciones de su sistema de propulsión. La capacidad de aprender la dinámica del vehículo "sobre la marcha" abre la puerta a sistemas de conducción autónoma que no solo sean seguros y suaves, sino también significativamente más sostenibles, extendiendo la autonomía de los vehículos eléctricos mediante un control inteligente de la energía.