Human-in-the-loop Energy and Thermal Management for Electric Racing Cars through Optimization-based Control

Cet article présente un système de gestion de l'énergie et de la thermique pour voitures de course électriques qui ajuste en temps réel le signal de relâchement de l'accélérateur via une optimisation et un contrôle par rétroaction, permettant de respecter les contraintes énergétiques et thermiques avec un temps de parcours quasi optimal par rapport à une optimisation hors ligne.

L'essentiel

Voici une explication simple et imagée de ce papier de recherche, conçue pour être comprise par tout le monde, même sans être ingénieur.

🏎️ Le Dilemme de la Voiture Électrique de Course

Imaginez que vous conduisez une voiture de course électrique. C'est une bête de vitesse, mais elle a un gros problème : sa batterie est comme un petit réservoir d'essence. Si vous l'utilisez trop vite, vous êtes obligé de vous arrêter pour recharger. Or, dans une course, s'arrêter, c'est perdre du temps.

Le défi est double :

1. Gérer l'énergie : Il faut aller vite, mais pas trop vite pour ne pas vider la batterie avant la fin de l'étape (le "stint").
2. Gérer la chaleur : Les moteurs et la batterie chauffent. S'ils sont trop chauds, la voiture doit ralentir pour ne pas fondre.

L'objectif de l'équipe (de l'Université de Eindhoven) est de trouver le moyen parfait de conduire pour faire le tour le plus rapide possible, tout en respectant ces limites, sans que le pilote humain ne perde le contrôle.

🧠 Le Problème : L'Ordinateur vs Le Pilote Humain

Normalement, un ordinateur très intelligent (un algorithme d'optimisation) peut calculer la trajectoire parfaite. Il dirait : "Maintenant, accélère à 42 %, puis à 45 %, puis à 41 %...". C'est mathématiquement parfait.

Mais un humain ne peut pas faire ça ! Si vous dites à un pilote de faire des mouvements de pédale de gaz ultra-précis et changeants, il va paniquer, faire des erreurs, ou pire, perdre le contrôle de la voiture. C'est comme essayer de dessiner une ligne droite parfaite avec une main qui tremble : impossible.

La solution proposée : Au lieu de demander au pilote de faire des mouvements complexes, on lui donne un signal simple : "Pieds au plancher !" (accélération maximale) ou "Lâche tout !" (rouler en roue libre, sans accélérer).

C'est comme si vous jouiez à un jeu vidéo où vous ne pouvez que maintenir le bouton "Accélérer" ou le relâcher, mais l'ordinateur décide quand appuyer et quand lâcher.

⚙️ Comment ça marche ? (L'Analogie du Thermomètre)

Voici comment les chercheurs ont créé ce système "Humain-dans-la-boucle" :

1. Le Calculateur de Génie (La Carte au Trésor) :
   D'abord, l'ordinateur calcule la trajectoire parfaite (comme un GPS de course) en tenant compte de la batterie et de la chaleur. Il génère une sorte de "carte de température" invisible appelée co-état.

   • Analogie : Imaginez que cette carte indique où l'air est "chaud" (il faut économiser de l'énergie) et où il est "froid" (on peut se permettre d'aller vite).

2. Le Signal de "Rouler en Roue Libre" (Le Feu Rouge) :
   L'ordinateur regarde cette carte. Quand il voit que l'air devient "trop chaud" (trop d'énergie dépensée ou trop de chaleur accumulée), il dit : "Attention, il faut lâcher l'accélérateur maintenant".
   Mais pour que ce soit sûr, il ne dit pas "lâche à 100 mètres". Il utilise un seuil.

   • L'analogie du thermomètre : Imaginez un thermomètre. Si la température dépasse 38°C, on arrête de courir. Ici, si la "valeur mathématique" dépasse un certain seuil, le pilote reçoit un signal (un voyant ou un son) pour lâcher le gaz.

3. L'Ajustement en Direct (Le Réglage de la Radio) :
   En course, il y a toujours des imprévus : un vent de face, une voiture devant qui vous aide (le "slipstream"), ou une usure des pneus.
   Le système utilise une boucle de rétroaction (comme un thermostat de maison). Si la voiture consomme trop d'énergie par rapport au plan, le système ajuste le seuil du "thermomètre" pour que le pilote lâche le gaz un peu plus tôt la prochaine fois. C'est un réglage automatique et continu.

🧪 Les Résultats : Est-ce que ça marche ?

Les chercheurs ont testé trois versions de ce système sur une simulation de course (circuit de Zandvoort) :

1. Le Système Complet (Le Pilote Automatique) : L'ordinateur recalcule tout en temps réel. C'est le plus performant, mais il demande beaucoup de puissance de calcul.
2. Le Système Fixe (La Carte Pré-imprimée) : On utilise une carte pré-calculée et on ajuste juste le seuil. C'est un peu moins précis, mais plus simple à installer dans la voiture.
3. Le Système "Juste le Signal" (Le Mécanique) : On ne recalcule rien, on ajuste juste le seuil basé sur la consommation d'énergie globale. C'est le plus simple, mais il ne gère pas la chaleur aussi bien.

Le verdict ?
Même avec les imprévus (vent, pneus usés, drapeaux jaunes), le système le plus simple ne perd que 0,05 % à 0,22 % de temps par rapport à la solution théorique parfaite (que personne ne peut atteindre en réalité).

• Mise en perspective : C'est comme si vous aviez perdu 2 secondes sur une course de 2 heures. C'est négligeable !

🏁 Conclusion

Ce papier nous dit qu'on n'a pas besoin d'une voiture autonome pour gagner au sport automobile électrique. On peut garder le pilote humain au volant, mais lui donner un "copilote numérique" très intelligent qui lui dit simplement : "Pieds au plancher" ou "Lâche tout".

C'est un peu comme un coach de course invisible qui vous dit exactement quand souffler pour que vous puissiez finir le marathon le plus vite possible, sans que vous ayez à calculer vos calories vous-même. Cela ouvre la voie à des courses électriques plus rapides, plus sûres et plus accessibles pour les équipes amateurs.

Résumé technique

Voici un résumé technique détaillé de l'article « Human-in-the-loop Energy and Thermal Management for Electric Racing Cars through Optimization-based Control » en français.

1. Problématique

L'industrie automobile et le sport automobile se tournent vers l'électrification. Cependant, les voitures de course électriques font face à des défis majeurs liés à la densité énergétique des batteries, ce qui limite l'autonomie et impose des stratégies de gestion de l'énergie rigoureuses.

• Contraintes : La maximisation de la distance parcourue (nombre de tours) entre deux arrêts aux stands est cruciale. Contrairement aux voitures de route où l'on cherche à minimiser la consommation, l'objectif ici est de minimiser le temps de tour tout en respectant une enveloppe énergétique et thermique stricte.
• Défi humain : Les solutions de contrôle optimal non causales (offline) génèrent des trajectoires de puissance lisses et complexes qu'un pilote humain ne peut pas suivre en toute sécurité. De plus, les règlements de course interdisent souvent de réécrire directement la demande de puissance du pilote (surcharge du pedalier).
• Objectif : Développer un système de gestion de l'énergie et thermique capable de fonctionner en temps réel, robuste aux perturbations, et sûr pour une utilisation avec un pilote humain (boucle homme-dans-la-boucle).

2. Méthodologie

Les auteurs proposent un cadre de contrôle prédictif (MPC) basé sur l'optimisation convexe, adapté pour une exécution en ligne.

A. Modélisation et Optimisation Convexe

• Modèle : Un modèle dynamique longitudinal et de la chaîne de traction (batterie, onduleur, moteur électrique) est formulé dans l'espace (distance) plutôt que dans le temps. Les états incluent l'énergie cinétique, l'énergie de la batterie et les températures (moteur et batterie).
• Problème 1 (Optimum Global) : Un problème d'optimisation convexe (SOCP) est résolu pour minimiser le temps total d'un stint (période entre deux arrêts). Ce problème fournit une trajectoire de puissance idéale mais non réalisable par un humain.
• Extraction du Co-état : La solution du problème 1 fournit le co-état de l'énergie cinétique ($\lambda_{kin}$), qui représente la sensibilité locale du temps de tour par rapport à l'énergie cinétique.

B. Adaptation pour le Pilote (Lift & Coast)

Pour rendre la solution exploitable par un pilote, les auteurs imposent une contrainte de type « Plein gaz ou Roulage à vide » (Full-throttle or Coast) sur les sections droites (non limitées par l'adhérence).

• Problème 2 (Adapté) : Au lieu de résoudre un problème mixte-entier (trop lent pour le temps réel), une stratégie à deux étapes est utilisée :
  1. Résolution du problème convexe (SOCP) pour obtenir la trajectoire du co-état $\lambda_{kin}(s)$.
  2. Algorithme de Dichotomie (Bisection) : Un algorithme en ligne ajuste un seuil $\lambda^*$ sur le co-état. Si $\lambda_{kin}(s) > \lambda^*$, un signal est envoyé au pilote pour qu'il relâche l'accélérateur (coasting). Ce seuil est optimisé pour minimiser le temps de tour tout en respectant les contraintes énergétiques et thermiques.
• Contrôle PI : Un boucle de rétroaction (Proportionnelle-Intégrale) ajuste ce seuil $\lambda^*$ en temps réel pour corriger les erreurs d'état dues aux perturbations (vent, usure des pneus, trafic) et aux erreurs de modèle.

C. Implémentation et Variants

L'article compare trois variantes d'implémentation pour évaluer le compromis entre complexité computationnelle et performance :

1. Fully Online : Le solveur convexe et l'algorithme de dichotomie tournent sur l'ECU de la voiture.
2. Fixed $\lambda_{kin}$ : La trajectoire du co-état est pré-calculée et chargée ; seul le seuil est ajusté en ligne.
3. Fixed $\lambda_{kin}$ et $\lambda^*$ : Aucune optimisation en ligne. Le seuil est ajusté uniquement via un contrôle basé sur la consommation d'énergie moyenne (sans connaissance des états thermiques).

3. Contributions Clés

• Cadre de contrôle temps réel : Développement d'une méthode capable de résoudre un horizon d'optimisation de 47 km en 2,5 secondes, rendant l'optimisation globale possible en ligne.
• Interface Homme-Machine sécurisée : Transformation d'une trajectoire de puissance continue en signaux discrets simples (relâcher ou non) basés sur le co-état, respectant les règlements de course et la sécurité du pilote.
• Gestion thermique et énergétique conjointe : Intégration explicite des contraintes de température du moteur et de la batterie dans le processus d'optimisation et de rétroaction.
• Analyse de robustesse : Validation de la méthode face à des perturbations réalistes (traînée réduite, dégradation des pneus, drapeau jaune).

4. Résultats

Les simulations ont été réalisées sur une voiture de course électrique endurance (InMotion) au circuit de Zandvoort.

• Performance par rapport à l'optimum global : L'adaptation « Lift & Coast » entraîne une perte de temps négligeable par rapport à la solution convexe idéale (sans contrainte humaine), soit environ 0,35 % de temps de tour supplémentaire.
• Robustesse aux perturbations :
  • La méthode Fully Online est la plus performante, avec une perte de temps de seulement 0,056 % à 0,22 % par rapport à une solution offline connaissant les perturbations à l'avance.
  • Les méthodes avec trajectoire fixe (variants 2 et 3) montrent des performances légèrement inférieures (0,1 % à 0,2 % de perte) mais restent compétitives.
  • La méthode entièrement fixe (variant 3) peut souffrir d'erreurs d'intégration (wind-up) lors de perturbations prolongées (ex: drapeau jaune) si des mesures anti-windup ne sont pas implémentées.
• Consistance : Les points de relâchement (coasting) sont cohérents tour après tour, aidant le pilote à anticiper les signaux.

5. Signification et Perspectives

• Faisabilité embarquée : L'article démontre qu'il est possible d'exécuter une optimisation globale complexe directement sur une voiture de course, ouvrant la voie à des systèmes de gestion de l'énergie autonomes ou assistés.
• Évolutivité : L'efficacité computationnelle de cette approche permet d'envisager d'autres applications, telles que l'optimisation de la stratégie globale (durée des stints, budgets énergétiques) ou l'analyse de sensibilité des paramètres.
• Impact sur le sport automobile : Cette technologie pourrait accélérer l'adoption de la course automobile électrique de type « sportscar » (GT) en résolvant les problèmes d'autonomie et de gestion thermique, rendant la compétition plus équitable et techniquement avancée.

En conclusion, cette recherche propose une solution pragmatique et robuste pour intégrer l'IA et l'optimisation mathématique dans la gestion d'une course automobile électrique, en maintenant le pilote au centre du processus décisionnel tout en garantissant la sécurité et l'efficacité énergétique.