⚡ electrical engineering

Modeling PWM-Time-SOC Interaction in a Simulated Robot

Cet article présente un modèle non linéaire unifié, dérivé d'une simulation robotique et affiné par la méthode SINDy, qui prédit l'évolution de l'état de charge de la batterie en fonction du temps et du cycle de service PWM pour permettre une planification énergétique autonome.

Auteurs originaux : Vidyut Pradeep, Shirantha Welikala

Publié 2026-03-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Vidyut Pradeep, Shirantha Welikala

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous conduisez une voiture électrique, mais au lieu d'avoir un tableau de bord qui vous dit simplement "il vous reste 50 km", vous devez deviner combien de temps vous pouvez rouler en fonction de la pression que vous mettez sur l'accélérateur. Si vous appuyez trop fort, la batterie se vide vite. Si vous roulez doucement, elle dure longtemps. Mais c'est plus compliqué que ça : au tout début, quand vous démarrez, la batterie "s'étouffe" un peu avant de se stabiliser.

C'est exactement le problème que Vidyut Pradeep (un lycéen brillant) et Shirantha Welikala (un chercheur) ont résolu dans leur article. Ils ont créé un "cristal de prédiction" pour les robots.

Voici l'explication de leur travail, traduite en langage simple et imagé :

1. Le Problème : Le Robot qui a peur de la panne

Les robots autonomes (comme ceux qui livrent des colis ou nettoient les sols) sont souvent bloqués par une peur : la batterie qui meurt au mauvais moment.

L'ancien problème : Les robots utilisaient des règles simples du type "Si j'accélère à moitié, je consomme X". C'était trop bête. En réalité, la relation entre l'accélération (appelée PWM dans le jargon technique, imaginez-le comme le volume de la musique) et la batterie est très complexe et non linéaire.
Le risque : Un robot pourrait se lancer dans une mission, penser qu'il a assez de batterie, et s'arrêter net au milieu de la route parce qu'il n'avait pas compris que démarrer coûte plus cher qu'on ne le pense.

2. La Solution : Un "Simulateur de Cuisine"

Au lieu d'acheter 100 robots réels pour les faire rouler jusqu'à ce qu'ils tombent en panne (ce qui serait très cher et long), les auteurs ont créé un robot virtuel dans un ordinateur.

Ils ont programmé ce robot virtuel avec toutes les lois de la physique : le poids du robot, la friction des roues, la résistance de la batterie, etc.
Ils ont fait courir ce robot virtuel des centaines de fois, en variant la "pression sur l'accélérateur" (le PWM) de 1% à 100%.
À chaque fois, ils ont noté : "À telle vitesse, après 10 secondes, il reste combien de batterie ?"

3. L'Ingénieure : La Recette Magique (SINDy)

Une fois qu'ils avaient des montagnes de données, ils ont utilisé une méthode intelligente appelée SINDy.

L'analogie : Imaginez que vous avez un plat délicieux (la consommation de batterie) et que vous avez une liste de 100 ingrédients possibles (le temps, la vitesse, le carré de la vitesse, le logarithme du temps, etc.). Votre but est de trouver exactement quels ingrédients composent la recette.
Au lieu d'essayer tous les ingrédients au hasard, SINDy est comme un chef cuisinier très économe : il goûte le plat et dit : "Non, il n'y a pas de cannelle ici. Non, pas de sel. Ah ! Il y a du sucre, de la farine et un peu de levure."
Grâce à cette méthode, ils ont trouvé la formule mathématique exacte qui décrit comment la batterie se vide.

4. La Découverte : La Formule de la Batterie

Leur formule est fascinante car elle capture deux phénomènes que les modèles simples ratent :

Le "Crochet" du démarrage (The Hook) : Quand le robot démarre, il y a une chute brutale de batterie, comme si quelqu'un avait tiré un coup de fil. C'est dû à la résistance interne de la batterie qui chauffe au démarrage. Leur formule utilise une fonction mathématique (le logarithme) pour décrire ce "saut" initial. C'est comme si la batterie disait : "Attends, je me réveille, ça va faire mal au début, mais après ça ira."
L'effet de la vitesse : Plus on accélère fort, plus la batterie se vide de manière exponentielle (pas juste linéaire). Doubler la vitesse ne double pas la consommation, elle la triple ou la quadruple à cause de la friction de l'air et de la chaleur.

5. Pourquoi c'est génial ?

Grâce à ce travail, un robot peut maintenant :

Prévoir l'avenir : Avant de partir, il peut dire : "Si je roule à 80% de ma vitesse pendant 5 minutes, il me restera 60% de batterie. Si je vais à 90%, je serai mort en 3 minutes."
Économiser de la mémoire : Au lieu de stocker des milliers de tableaux de données (comme un vieux dictionnaire), le robot n'a besoin que de 8 petits nombres (les coefficients de leur formule) pour faire tous ses calculs. C'est ultra-léger et rapide.
S'adapter : Si demain on change les roues du robot ou qu'il fait plus chaud, on peut juste ajuster ces 8 nombres sans tout réapprendre.

En résumé

Ces chercheurs ont transformé un problème complexe de physique (comment une batterie se vide) en une recette de cuisine simple et précise.
Au lieu de deviner, le robot peut maintenant calculer exactement combien d'énergie il lui faut pour accomplir sa tâche, évitant ainsi de se retrouver seul, immobile et sans batterie au milieu de nulle part. C'est une victoire pour l'intelligence artificielle et l'autonomie des robots !

Titre : Modélisation de l'interaction PWM-Temps-SOC dans un robot simulé

Auteurs : Vidyut Pradeep (South Brunswick High School) et Shirantha Welikala (Stevens Institute of Technology).

1. Problématique

La gestion de l'énergie est un défi critique pour les robots autonomes, en particulier dans des environnements où les opportunités de recharge sont limitées.

Le défi : Les robots doivent pouvoir prédire avec précision leur état de charge (SOC - State of Charge) restant pour planifier leurs mouvements sans épuiser leur batterie.
Limites des approches actuelles :
- Les modèles linéaires simplifiés échouent à capturer la dynamique non linéaire de la décharge de la batterie.
- Les approches par tables de recherche (lookup tables) nécessitent des enregistrements pré-programmés extensifs pour chaque profil de mouvement et ne généralisent pas bien aux nouvelles conditions ou configurations.
Objectif : Développer un modèle mathématique unifié qui prédit le SOC en fonction du temps ( $t$ ) et du cycle de service (duty cycle) du signal de commande des moteurs (PWM, noté $p$ ), en tenant compte des caractéristiques électriques et mécaniques du robot.

2. Méthodologie

L'approche proposée combine la simulation physique rigoureuse et l'apprentissage de données par la méthode SINDy (Sparse Identification of Nonlinear Dynamics).

A. Simulation Physique (Génération de données)

Les auteurs ont créé un environnement de simulation MATLAB pour un robot à 4 roues basé sur Arduino. Le modèle intègre :

Caractéristiques électriques des moteurs : Résistance, inductance, force contre-électromotrice (back-EMF), constante de couple.
Dynamique mécanique : Masse du robot, traînée aérodynamique, résistance au roulement, rayon des roues.
Modèle de batterie : Prise en compte de la résistance interne et de la chute de tension en fonction du courant.
Protocole de données : Des simulations de mouvement vers l'avant ont été exécutées pour des cycles de service PWM allant de 1 % à 100 % (par incréments de 10 %). Pour chaque niveau de PWM, le SOC a été enregistré toutes les 10 secondes sur une durée de 300 secondes, générant un jeu de données de 310 points.

B. Identification de Modèles (SINDy)

Au lieu d'utiliser des modèles "boîte noire" ou purement empiriques, l'équipe a appliqué SINDy pour découvrir les équations gouvernantes :

Construction de la bibliothèque de candidats ( $\Theta$ ) : Basée sur la compréhension physique (lois de Kirchhoff, équations de mouvement), la bibliothèque inclut des termes constants, linéaires, polynomiaux ( $p, p^2, p^3$ ), logarithmiques ( $\ln(1+t)$ ), et des formes rationnelles ( $\frac{t}{p+1}$ ).
Régression parcimonieuse : Une régression aux moindres carrés (avec seuillage séquentiel) a été utilisée pour identifier le sous-ensemble minimal de termes nécessaires pour décrire la dynamique $\frac{d(SOC)}{dt}$ .
Intégration : Les équations de taux de décharge découvertes ont été intégrées pour obtenir le modèle final du SOC en fonction du temps et du PWM.

3. Contributions Clés

L'article présente trois contributions majeures à la robotique soucieuse de l'énergie :

Modèle Non Linéaire Unifié : Développement d'une équation analytique fermée $SOC(t, p)$ qui capture explicitement les effets couplés du temps et du PWM. Contrairement aux tables de recherche, ce modèle est généralisable à n'importe quel horizon temporel et n'importe quelle valeur de PWM.
- Le modèle inclut des termes polynomiaux jusqu'à l'ordre 3 pour le PWM et des termes logarithmiques pour le temps.
Méthodologie "Physique-Informée" : Une approche systématique qui utilise la simulation physique pour générer des données d'entraînement, mais qui utilise SINDy pour extraire des équations interprétables. Cela permet de combiner la précision de la physique avec la flexibilité de l'apprentissage de données.
Framework d'Extension : Un cadre complet permettant d'étendre le modèle à des conditions initiales variables (SOC initial différent de 100 %) et à des paramètres dépendants de l'environnement (ex: résistance au roulement variable selon le terrain) sans réentraînement complet.

4. Résultats et Validation

Les modèles dérivés ont été validés sur des données de simulation non utilisées lors de l'entraînement.

Précision :
- Erreur moyenne de prédiction : 0,162 %.
- Erreur maximale : 0,82 % (observée au début de la simulation à 90 % de PWM, due à la dynamique transitoire initiale).
- Performance en régime établi : L'erreur est généralement inférieure à 0,3 %.
Validation des Cas de Test :
- Charge élevée (90 % PWM) : Le modèle capture avec précision la décharge rapide (de 100 % à ~67 % en 300s) et la forme en "crochet" initiale due à la résistance interne de la batterie.
- Charge faible (40 % PWM) : Le modèle prédit correctement la décharge lente (de 100 % à ~93,5 %) et la persistance, bien que réduite, de la non-linéarité initiale.
Structure du Modèle :
- Termes polynomiaux en PWM ( $p, p^2, p^3$ ) : Reflètent la relation non linéaire entre le cycle de service, le courant moteur et les pertes $I^2R$ .
- Termes logarithmiques en temps ( $\ln(1+t)$ ) : Capturent la phase transitoire de démarrage où le courant est élevé avant que la force contre-électromotrice ne s'établisse.
- Termes rationnels ( $\frac{t}{p+1}$ ) : Modèrent le taux de décharge à faible PWM, capturant l'effet de prolongation de la durée de vie de la batterie de manière super-linéaire.

5. Signification et Impact

Planification Énergétique : Ce modèle permet aux robots de prédire leur consommation énergétique pour des mouvements planifiés, facilitant une planification de trajectoire et une ordonnancement de tâches "conscients de l'énergie".
Efficacité de Calcul : Le modèle sous forme d'équation fermée s'évalue en microsecondes, ce qui le rend idéal pour une implémentation embarquée en temps réel, contrairement aux simulations lourdes ou aux grandes tables de recherche.
Interprétabilité : Contrairement aux réseaux de neurones profonds, les coefficients du modèle ont une signification physique directe (liés à la résistance, la masse, la traînée), ce qui aide les ingénieurs à comprendre les facteurs dominants de la consommation d'énergie.
Généralisation : La méthode suggérée peut être appliquée à d'autres systèmes autonomes alimentés par batterie et étendue à d'autres actionneurs (bras manipulateurs, capteurs).

En conclusion, cette recherche démontre qu'il est possible de créer des modèles de prédiction d'énergie à la fois précis, interprétables et efficaces pour les robots mobiles, en fusionnant la simulation physique de haute fidélité avec des techniques d'identification de dynamique non linéaire parcimonieuse.