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

Tout véhicule circulant sur une route est confronté à une réalité constante et brusque : le sol est rarement plat. Lorsqu'une voiture heurte une bosse, les roues montent et descendent, et sans intervention, ce mouvement se transmet directement aux passagers, créant une course rugueuse et inconfortable. Pendant des décades, les ingénieurs ont tenté de résoudre ce problème avec des systèmes passifs, utilisant des coussinets en caoutchouc et des ressorts mécaniques qui absorbent une partie du choc. Plus tard, des systèmes semi-actifs sont apparus, capables d'ajuster leur rigidité ou leur amortissement pour réagir à la route, mais ceux-ci reposaient encore sur la réaction de la voiture à une bosse après que celle-ci a déjà été frappée. L'objectif ultime a toujours été un système de suspension active, une configuration qui utilise des moteurs et des capteurs pour pousser la caisse de la voiture dans la direction opposée à une bosse, annulant ainsi l'effet de la vibration avant même que les passagers ne la ressentent. Bien que cette technologie promette une conduite plus douce et une meilleure sécurité, elle est restée une caractéristique de luxe réservée aux voitures les plus coûteuses. Le principal obstacle a été un compromis difficile : les ordinateurs nécessaires pour calculer le contre-mouvement parfait en temps réel sont trop lents pour les puces standards des voitures, et les moteurs nécessaires pour générer suffisamment de force sont souvent trop volumineux ou gourmands en énergie pour une production de masse.

Une équipe de chercheurs de l'Université Ben-Gurion du Néguev et de l'Institut de technologie de Guangdong (Guangdong Technion-Israel of Technology) a proposé une nouvelle façon de combler cet écart. Ils ont développé un système de contrôle qui combine la précision mathématique d'une planification avancée avec la rapidité d'un réseau de neurones appris, tout en respectant les limites physiques des moteurs de la voiture. Leurs travaux, testés via des simulations informatiques détaillées, suggèrent qu'il est possible d'atteindre la douceur d'une suspension idéale et parfaite sans avoir besoin de superordinateurs ou d'une puissance infinie. La clé réside dans le fait que le système ne se contente pas de réagir à la route ; il anticipe. En utilisant un « aperçu » de la surface de la route — des données sur les bosses qui se trouvent encore à quelques mètres — le contrôleur peut préparer ses mouvements à l'avance. Cependant, les chercheurs ont découvert une nuance critique : cette capacité d'aperçu est particulièrement bénéfique précisément lorsque les moteurs sont faibles ou saturés. Lorsque les actionneurs sont puissants, ils peuvent simplement réagir aux perturbations, mais lorsqu'ils sont limités, la capacité d'anticiper permet au système de réallouer sa force limitée plus tôt dans le temps, rendant l'information d'aperçu bien plus précieuse que dans des scénces non contraintes.

Pour rendre ce système pratique, les chercheurs ont abordé le problème de la vitesse. La méthode la plus précise pour contrôler la suspension est une méthode appelée commande prédictive par modèle, qui calcule constamment la meilleure action possible pour les quelques secondes à venir. Dans un monde idéal, ce calcul serait instantané, mais en réalité, il prend trop de temps pour une voiture circulant à vitesse d'autoroute. Les chercheurs ont résolu ce problème en entraînant un réseau de neurones, un type d'intelligence artificielle, pour imiter les décisions du calculateur lent et parfait. Ils ont nourri le réseau de neurones avec des milliers d'exemples des actions du contrôleur idéal, lui apprenant à reconnaître les conditions de la route et l'état de la voiture pour répondre avec la même précision. Une fois entraîné, ce réseau de neurones agit comme un « substitut », prenant des décisions près de quatre-vingts fois plus vite que la méthode originale. Cette accélération est suffisante pour que le système puisse fonctionner sur les puces informatiques standards présentes dans les véhicules modernes, plutôt que de nécessiter du matériel spécialisé et coûteux.

L'étude a également abordé un problème courant de la conduite réelle : le poids d'une voiture change. Un véhicule avec une charge complète de passagers et de bagages est plus lourd qu'un véhicule vide, et ce changement modifie le comportement de la suspension. Un contrôleur conçu pour une voiture vide performera mal lorsqu'elle sera pleine. Pour gérer cela, l'équipe a ajouté un module d'identification en ligne qui estime continuellement le poids actuel du véhicule pendant qu'il roule. En injectant cette information mise à jour dans le réseau de neurones, le système adapte sa stratégie à la volée. Dans leurs simulations, cette approche adaptative a réduit les vibrations ressenties par les passagers de trente-deux pour cent supplémentaires par rapport à un système supposant que le poids ne changeait jamais.

Les chercheurs ont testé leur méthode par rapport à une référence standard en utilisant diverses conditions routières, allant de surfaces lisses à des terrains accidentés et irréguliers, et même des obstacles spécifiques comme des dos d'âne. Ils ont simulé un quart de véhicule, en se concentrant sur le mouvement vertical d'une seule roue et de la carrosserie située au-dessus, puis ont étendu le test à un modèle de demi-véhicule incluant le mouvement de tangage de l'ensemble de la voiture. Les résultats ont montré que le nouveau système surpassait systématiquement les méthodes traditionnelles. Lorsque les moteurs disposaient de suffisamment de puissance, le système doté de l'aperçu a réduit l'accélération des vibrations de douze pour cent par rapport à un contrôleur de type feedforward standard. Dans le cas spécifique de l'impact d'un dos d'âne, l'amélioration fut encore plus spectaculaire ; avec une fenêtre d'aperçu de 0,7 seconde, le système a obtenu une réduction de 57 % de l'accélération des vibrations par rapport à la référence. Le système fonctionnait en commençant à pousser la caisse de la voiture vers le haut avant même que la roue ne touche la bosse, un mouvement proactif qui empêchait le moteur d'être submergé.

Cependant, l'étude a également révélé une limite fondamentale. Les chercheurs ont découvert que les bénéfices de l'anticipation de la route sont maximisés lorsque les moteurs sont faibles et opèrent près de leurs limites. Lorsque la force requise pour lisser la conduite dépasse la limite maximale du moteur, le système sature ; dans ces conditions contraintes, l'information supplémentaire sur la route à venir devient cruciale car elle permet au contrôleur d'optimiser l'utilisation de sa force limitée. Inversement, si les actionneurs sont extrêmement puissants et ne saturent jamais, l'avantage de l'aperçu diminue. Cette conclusion offre une directive claire aux ingénieurs : pour que le contrôle par anticipation soit efficace, le matériel n'a pas besoin d'être infiniment puissant, mais la stratégie de contrôle doit être conçue pour exploiter l'anticipation spécifiquement afin de surmonter les limitations des actionneurs. L'équipe a également découvert que regarder trop loin devant n'aide pas ; une fenêtre d'aperçu d'environ une demi-seconde était suffisante pour capturer les informations nécessaires pour les fréquences des bosses de route testées. Étendre la vue au-delà de ce point augmentait la charge de calcul sans améliorer la qualité de la conduite.

L'article conclut que, bien que la méthode n'ait pas encore été testée sur un véhicule physique, les résultats des simulations sont robustes et indiquent une voie viable pour une adoption massive. L'approche offre un moyen d'obtenir la performance d'un système de contrôle complexe et optimal sans le coût computationnel, faisant de la suspension active une option plus réaliste pour les voitures de tous les jours. En combinant la prévoyance du contrôle par anticipation, la rapidité d'un réseau de neurones appris et l'adaptabilité de la détection du poids en temps réel, les chercheurs ont démontré un système qui pourrait un jour faire en sorte que chaque trajet soit aussi doux qu'une berline de luxe, quelles que soient les conditions de la route ou le nombre de passagers.