Modeling PWM-Time-SOC Interaction in a Simulated Robot

Titolo: Modellazione dell'Interazione PWM-Tempo-SOC in un Robot Simulato

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

1. Il Problema

La gestione energetica è una sfida critica per i robot autonomi, specialmente in ambienti dove le opportunità di ricarica sono limitate. I robot mobili attuali rischiano di esaurire la batteria prima di completare i compiti assegnati a causa di modelli di consumo energetico imprecisi.

• Limiti degli approcci esistenti: I metodi tradizionali si basano spesso su modelli lineari semplificati (che non catturano la dinamica non lineare della scarica) o su tabelle di ricerca (lookup tables) pre-programmate che richiedono profili di movimento specifici e non generalizzano bene a diverse condizioni operative o configurazioni del robot.
• Obiettivo: Sviluppare un modello matematico unificato che predica lo Stato di Carica (SOC) della batteria in funzione del tempo ($t$) e del ciclo di lavoro del segnale di controllo PWM ($p$), permettendo una pianificazione energetica consapevole.

2. Metodologia

L'approccio proposto combina la simulazione basata sulla fisica con tecniche di identificazione dei dati guidate dalla fisica (physics-informed data-driven modeling).

• Simulazione Fisica: È stato creato un ambiente di simulazione per un robot a 4 ruote basato su Arduino. Il modello incorpora:

  • Caratteristiche elettriche: Resistenza, induttanza, forza controelettromotrice (back-EMF) e costante di coppia dei motori DC.
  • Dinamica meccanica: Massa, resistenza aerodinamica, resistenza al rotolamento e raggio delle ruote.
  • Modello della batteria: Include la resistenza interna e la caduta di tensione sotto carico.
  • Generazione Dati: Sono state eseguite simulazioni di movimento in avanti per 300 secondi con cicli di lavoro PWM variabili dall'1% al 100%, generando serie temporali di dati SOC.

• Identificazione del Modello (SINDy): Per derivare equazioni governative interpretabili dai dati simulati, è stato utilizzato il framework SINDy (Sparse Identification of Nonlinear Dynamics) combinato con la regressione ai minimi quadrati.

  • Libreria di Funzioni: È stata costruita una libreria di funzioni candidate basata sulla comprensione fisica (termini costanti, lineari, polinomiali in $p$, logaritmici in $t$, e termini razionali).
  • Regressione Sparsa: L'algoritmo ha selezionato il sottoinsieme minimo di funzioni necessarie per descrivere la dinamica, eliminando i termini ridondanti e producendo equazioni analitiche chiuse.

3. Contributi Chiave

Il paper presenta tre contributi principali:

1. Modello Unificato Non Lineare: Sviluppo di un modello analitico $SOC(t, p)$ che cattura esplicitamente gli effetti accoppiati del PWM e del tempo. A differenza delle tabelle di ricerca, questo modello è generalizzabile su tutto l'intervallo di PWM e per orizzonti temporali arbitrari. Include termini polinomiali fino al terzo ordine per il PWM e termini logaritmici per il tempo.
2. Metodologia Ibrida Fisica-Dati: Un approccio sistematico che utilizza la simulazione fisica per generare dati di addestramento e SINDy per identificare le equazioni. Questo supera i limiti degli approcci puramente empirici (mancanza di generalizzazione) e puramente teorici (difficoltà di risoluzione analitica di sistemi accoppiati complessi).
3. Framework Estendibile: Una struttura che permette di adattare il modello a condizioni iniziali diverse (SOC iniziale non al 100%) e parametri ambientali (es. resistenza al rotolamento variabile) senza un re-addestramento completo del modello.

4. Risultati e Modelli Derivati

Il processo SINDy ha identificato tre modelli complementari:

1. Modello Generale SOC(t, p):

   • Predice il SOC istantaneo in funzione di tempo e PWM.
   • Forma funzionale: $SOC(t, p) = a_1 - b_1t - c_1p - d_1p^2 - e_1p^3 - f_1\ln(1+t) - g_1\frac{t}{p+1} + h_1\frac{\ln(1+t)}{1+t}$.
   • I termini polinomiali in $p$ riflettono la crescita non lineare del consumo di potenza (perdite $I^2R$). I termini logaritmici in $t$ catturano il transiente iniziale di scarica ("hook") causato dalla resistenza interna della batteria.

2. Modello SOC Finale a Orizzonte Fisso:

   • Predice il SOC dopo un tempo fisso (es. 300s) basato solo sul PWM: $SOC(p) = a_2p^2 - b_2p + c_2$. Utile per la pianificazione rapida.

3. Modello di Tasso Istantaneo ($\partial SOC/\partial t$):

   • Descrive la velocità istantanea di scarica, evidenziando come i termini cubici in $p$ dominino ad alti carichi.

Accuratezza:

• Errore medio di previsione: 0,162%.
• Errore massimo: < 0,82% (osservato all'inizio della simulazione ad alto carico, 90% PWM).
• Il modello ha dimostrato di catturare accuratamente sia la rapida scarica ad alto carico (90% PWM) sia la scarica graduale a basso carico (40% PWM), inclusi i transienti iniziali non lineari.

5. Significato e Implicazioni

• Efficienza Computazionale: Essendo un modello analitico chiuso (closed-form), può essere valutato in microsecondi, rendendolo ideale per l'implementazione onboard in tempo reale su microcontrollori come Arduino.
• Interpretabilità Fisica: A differenza delle "scatole nere" (deep learning), i termini del modello hanno un significato fisico diretto (es. correlazione con le perdite resistive e la dinamica del motore), facilitando la diagnosi e l'ottimizzazione del sistema.
• Pianificazione Energetica: Consente ai robot di prevedere il consumo energetico prima di eseguire un movimento, abilitando strategie di pianificazione di percorso e schedulazione dei task che massimizzano l'autonomia operativa.
• Generalizzazione: Il framework offre una via praticabile per estendere la modellazione energetica a robot reali, adattando i parametri fisici senza necessità di raccogliere enormi dataset sperimentali per ogni nuova condizione.

In conclusione, questo lavoro dimostra che l'integrazione di simulazioni fisiche dettagliate con tecniche di identificazione sparsa dei dati può produrre modelli energetici precisi, interpretabili e computazionalmente efficienti, fondamentali per la prossima generazione di robot autonomi a lunga autonomia.