Real-Time Preview Control of Active Suspensions Under Actuation Limits via Learned MPC Surrogates and Online Identification

Cada vehículo que circula por una carretera se encuentra con una realidad constante y brusca: el suelo rara vez es plano. Cuando un coche golpea un bache, las ruedas se mueven hacia arriba y hacia abajo, y sin intervención, ese movimiento se transfiere directamente a los pasajeros, creando un viaje áspero e incómodo. Durante décadas, los ingenieros han intentado resolver esto con sistemas pasivos, utilizando almohadillas de goma y resortos mecánicos que absorben parte del impacto. Más tarde surgieron los sistemas semiactivos, que podían ajustar su rigidez o amortiguación para reaccionar a la carretera, pero estos seguían dependiendo de la reacción del coche tras haber golpeado ya un bache. El objetivo final siempre ha sido un sistema de suspensión activa, una configuración que utiliza motores y sensores para empujar la carrocería del coche en la dirección opuesta a un bache, cancelando efectivamente la vibración incluso antes de que los pasajeros la sientan. Si bien esta tecnología promete un viaje más suave y una mejor seguridad, ha seguido siendo una característica de lujo que se encuentra solo en los coches más caros. La barrera principal ha sido un difícil compromiso: las computadoras necesarias para calcular el contramovimiento perfecto en tiempo real son demasiado lentas para los chips estándar de los automóviles, y los motores necesarios para generar suficiente fuerza suelen ser demasiado grandes o consumen demasiada energía para la producción en masa.

Un equipo de investigadores de la Universidad Ben-Gurion del Néguev y el Instituto Tecnológico de Guangdong (Guangdong Technion-Israel Institute of Technology) ha propuesto una nueva forma de cerrar esta brecha. Desarrollaron un sistema de control que combina la precisión matemática de la planificación avanzada con la velocidad de una red neuronal aprendida, todo ello respetando los límites físicos de los motores del coche. Su trabajo, probado mediante simulaciones computacionales detalladas, sugiere que es posible lograr la suavidad de una suspensión perfecta e ideal sin necesidad de supercomputadoras o energía infinita. La clave reside en que el sistema no solo reacciona a la carretera; mira hacia adelante. Al utilizar una "previsualización" de la superficie de la carretera —datos sobre baches que se encuentran a unos pocos metros de distancia—, el controlador puede preparar sus movimientos con antelación. Sin embargo, los investigadores descubrieron un matiz crítico: esta capacidad de previsualización es más beneficiosa precisamente cuando los motores son débiles o están saturados. Cuando los actuadores son fuertes, pueden simplemente reaccionar ante las perturbaciones, pero cuando son limitados, la capacidad de mirar hacia adelante permite al sistema reasignar su fuerza limitada más temprano en el tiempo, haciendo que la información de previsualización sea mucho más valiosa que en escenarios no restringidos.

Para hacer este sistema práctico, los investigadores abordaron el problema de la velocidad. La forma más precisa de controlar la suspensión es mediante un método llamado control predictivo por modelo, que calcula constantemente la mejor acción posible para los próximos segundos. En un mundo perfecto, este cálculo sería instantáneo, pero en la realidad, toma demasiado tiempo para un coche que viaja a velocidades de autopista. Los investigadores resolvieron esto entrenando una red neuronal, un tipo de inteligencia artificial, para imitar las decisiones del calculador lento y perfecto. Alimentaron a la red neuronal con miles de ejemplos de las acciones del controlador ideal, enseñándole a reconocer las condiciones de la carretera y el estado del coche y a responder con la misma precisión. Una vez entrenada, esta red neuronal actúa como un "sustituto", tomando decisiones casi ochenta veces más rápido que el método original. Esta aceleración es lo suficientemente significativa como para que el sistema pueda ejecutarse en los chips de computadora estándar que se encuentran en los vehículos modernos, en lugar de requerir hardware especializado y costoso.

El estudio también abordó un problema común en la conducción del mundo real: el peso de un coche cambia. Un vehículo con una carga completa de pasajeros y equipaje es más pesado que uno vacío, y este cambio altera el comportamiento de la suspensión. Un controlador diseñado para un coche vacío funcionará mal cuando el coche esté lleno. Para manejar esto, el equipo añadió un módulo de identificación en línea que estima continuamente el peso actual del vehículo mientras circula. Al introducir esta información actualizada en la red neuronal, el sistema adapta su estrategia sobre la marcha. En sus simulaciones, este enfoque adaptativo redujo la vibración sentida por los pasajeros en un treinta y dos por ciento adicional en comparación con un sistema que asumía que el peso nunca cambiaba.

Los investigadores probaron su método contra una línea de base estándar utilizando diversas condiciones de carretera, desde superficies lisas hasta terrenos rugosos e irregulares e incluso obstáculos específicos como reductores de velocidad. Simularon un cuarto de vehículo, centráéndose en el movimiento vertical de una sola rueda y la carrocería sobre ella, y luego expandieron la prueba a un modelo de medio vehículo que incluía el movimiento de cabeceo de todo el coche. Los resultados mostraron que el nuevo sistema superó consistentemente a los métodos tradicionales. Cuando los motores tenían suficiente potencia, el sistema con previsualización redujo la aceleración de la vibración en un doce por ciento en comparación con un controlador de alimentación directa estándar. En el caso específico de golpear un reductor de velocidad, la mejora fue aún más dramática; con una ventana de previsualización de 0,7 segundos, el sistema logró una reducción del 57% en la aceleración de la vibración en comparación con la línea de base. El sistema funcionó comenzando a empujar la carrocería hacia arriba antes de que la rueda siquiera tocara el bache, un movimiento proactivo que evitó que el motor se viera abrumado.

Sin embargo, el estudio también reveló un límite fundamental. Los investigadores encontraron que los beneficios de mirar hacia adelante en la carretera se maximizan cuando los motores son débiles y operan cerca de sus límites. Cuando la fuerza requerida para suavizar el viaje excede el límite máximo del motor, el sistema se satura; en estas condiciones restringidas, la información adicional sobre la carretera por delante se vuelve crucial porque permite al controlador optimizar el uso de su fuerza limitada. Por el contrario, si los actuadores son extremadamente fuertes y nunca se saturan, la ventaja de la previsualización disminuye. Este hallazgo proporciona una guía clara para los ingenieros: para que el control de previsualización sea efectivo, el hardware no necesita ser infinitamente potente, pero la estrategia de control debe diseñarse para aprovechar la previsualización específicamente para superar las limitaciones del actuador. El equipo también descubrió que mirar demasiado hacia adelante no ayuda; una ventana de previsualización de aproximadamente medio segundo fue suficiente para capturar la información necesaria para las frecuencias de los baches de la carretera que probaron. Extender la visión más allá de este punto aumentaba la carga computacional sin mejorar el viaje.

El artículo concluye que, si bien el método aún no ha sido probado en un vehículo físico, los resultados de la simulación son robustos y apuntan hacia una vía viable para la adopción masiva. El enfoque ofrece una forma de obtener el rendimiento de un sistema de control complejo y óptimo sin el costo computacional, haciendo que la suspensión activa sea una opción más realista para los coches cotidianos. Al combinar la previsión del control de previsualización, la velocidad de una red neuronal aprendida y la adaptabilidad de la detección de peso en tiempo real, los investigadores han demostrado un sistema que podría, algún día, hacer que cada viaje se sienta tan suave como el de un sedán de lujo, independientemente de las condiciones de la carretera o del número de pasajeros.