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

Ogni veicolo che percorre una strada incontra una realtà costante e scoscesa: il terreno raramente è piatto. Quando un'auto colpisce un dosso, le ruote si muovono su e giù e, senza intervento, quel movimento si trasferisce direttamente ai passeggeri, creando una guida irregolare e scomoda. Per decenni, gli ingegneri hanno cercato di risolvere questo problema con sistemi passivi, utilizzando gommini di gomma e molle meccaniche che assorbono parte dell'urto. Successivamente sono emersi i sistemi semi-attivi, in grado di regolare la rigidità o lo smorzamento per reagire alla strada, ma questi si basavano comunque sulla reazione dell'auto a un dosso dopo che era già stato colpito. L'obiettivo finale è sempre stato un sistema di sospensioni attive, una configurazione che utilizza motori e sensori per spingere la carrozzeria dell'auto nella direzione opposta a un dosso, annullando efficacemente la vibrazione prima ancora che i passeggeri la percepiscano. Sebbene questa tecnologia prometta una guida più fluida e una maggiore sicurezza, è rimasta una caratteristica di lusso presente solo sulle auto più costose. La barriera principale è stata un difficile compromesso: i computer necessari per calcolare il perfetto contromovimento in tempo reale sono troppo lenti per i chip standard delle auto, e i motori necessari per generare una forza sufficiente sono spesso troppo grandi o energivori per la produzione di massa.

Un team di ricercatori della Ben-Gurion University of the Negev e del Guangdong Technion-Israel Institute of Technology ha proposto un nuovo modo per colmare questo divario. Hanno sviluppato un sistema di controllo che combina la precisione matematica della pianificazione avanzata con la velocità di una rete neurale appresa, il tutto rispettando i limiti fisici dei motori dell'auto. Il loro lavoro, testato attraverso simulazioni informatiche dettagliate, suggerisce che è possibile ottenere la fluidità di una sospensione perfetta e ideale senza necessitare di supercomputer o di una potenza infinita. La chiave di volta è che il sistema non si limita a reagire alla strada; essa guarda avanti. Utilizzando un "anteprima" (preview) della superficie stradale — dati relativi a dossi che si trovano ancora a qualche metro di distanza — il controllore può preparare i propri movimenti in anticipo. Tuttavia, i ricercatori hanno scoperto una sfumatura critica: questa capacità di anteprima è più vantaggiosa proprio quando i motori sono deboli o saturi. Quando gli attuatori sono forti, possono semplicemente reagire alle perturbazioni, ma quando sono limitati, la capacità di guardare avanti permette al sistema di riallocare la sua forza limitata prima nel tempo, rendendo l'informazione di anteprima molto più preziosa rispetto agli scenari non vincolati.

Per rendere pratico questo sistema, i ricercatori hanno affrontato il problema della velocità. Il modo più accurato per controllare la sospensione è attraverso un metodo chiamato controllo predittivo del modello (model predictive control), che calcola costantemente la migliore azione possibile per i successivi secondi. In un mondo ideale, questo calcolo sarebbe istantaneo, ma nella realtà richiede troppo tempo per un'auto che viaggia a velocità autostradali. I ricercatori hanno risolto questo problema addestrando una rete neurale, un tipo di intelligenza artificiale, per imitare le decisioni del calcolatore lento e perfetto. Hanno fornito alla rete neurale migliaia di esempi delle azioni del controllore ideale, insegnandole a riconoscere le condizioni stradali e lo stato dell'auto e a rispondere con la stessa precisione. Una volta addestrata, questa rete neurale agisce come un "surrogato", prendendo decisioni quasi ottanta volte più velocemente rispetto al metodo originale. Questo incremento di velocità è sufficiente affinché il sistema possa girare sui chip standard presenti nelle auto moderne, piuttosto che richiedere hardware specializzati ed costosi.

Lo studio ha affrontato anche un problema comune nella guida reale: il peso di un veicolo cambia. Un veicolo con un carico completo di passeggeri e bagagli è più pesante di uno vuoto, e questo cambiamento altera il comportamento delle sospensioni. Un controllore progettato per un'auto vuota si comporterà male quando l'auto è piena. Per gestire questo aspetto, il team ha aggiunto un modulo di identificazione online che stima continuamente il peso attuale del veicolo mentre sta viaggiando. Inserendo questa informazione aggiornata nella rete neurale, il sistema adatta la propria strategia al volo. Nelle loro simulazioni, questo approccio adattivo ha ridotto la vibrazione percepita dai passeggeri di un ulteriore trentadue percento rispetto a un sistema che assumeva che il peso non cambiasse mai.

I ricercatori hanno testato il loro metodo contro un baseline standard utilizzando varie condizioni stradali, da superfici lisce a terreni accidentati e irregolari, e persino ostacoli specifici come dossi artificiali. Hanno simulato un quarto di veicolo, concentrandosi sul movimento verticale di una singola ruota e della carrozzeria sovrastante, e successivamente hanno esteso il test a un modello di metà veicolo che includeva il movimento di beccheggio dell'intera auto. I risultati hanno mostrato che il nuovo sistema supera costantemente i metodi tradizionali. Quando i motori avevano abbastanza potenza, il sistema dotato di anteprima ha ridotto l'accelerazione della vibrazione del dodici percento rispetto a un controllore feedforward standard. Nel caso specifico dell'impatto con un dosso artificiale, il miglioramento è stato ancora più drammatico: con una finestra di anteprima di 0,7 secondi, il sistema ha ottenuto una riduzione del 57% dell'accelerazione della vibrazione rispetto al baseline. Il sistema funzionava iniziando a spingere verso l'alto la carrozzeria dell'auto prima ancora che la ruota toccasse il dosso, una mossa proattiva che impediva al motore di essere sopraffatto.

Tuttavia, lo studio ha anche rivelato un limite fondamentale. I ricercatori hanno scoperto che i benefici del guardare avanti nella strada sono massimizzati quando i motori sono deboli e operano vicino ai loro limiti. Quando la forza richiesta per ammorbidire la guida supera il limite massimo del motore, il sistema va in saturazione; in queste condizioni vincolate, l'informazione extra sulla strada davanti diventa cruciale perché permette al controllore di ottimizzare l'uso della sua forza limitata. Al contrario, se gli attuatori sono estremamente forti e non saturano mai, il vantaggio dell'anteprima diminuisce. Questa scoperta fornisce una chiara linea guida per gli ingegneri: per rendere efficace il controllo con anteprima, l'hardware non deve essere infinitamente potente, ma la strategia di controllo deve essere progettata per sfruttare l'anteprima specificamente per superare i limiti degli attuatori. Il team ha inoltre scoperto che guardare troppo avanti non aiuta; una finestra di anteprima di circa mezzo secondo era sufficiente per catturare le informazioni necessarie per le frequenze dei dossi stradali testati. Estendere la visione oltre questo punto aumentava il carico computazionale senza migliorare la guida.

Il documento conclude che, sebbene il metodo non sia ancora stato testato su un veicolo fisico, i risultati delle simulazioni sono robusti e indicano una via percorribile per l'adozione di massa. L'approccio offre un modo per ottenere le prestazioni di un complesso sistema di controllo ottimale senza il costo computazionale, rendendo le sospensioni attive un'opzione più realistica per le auto di uso quotidiano. Combinando la lungimiranza del controllo con anteprima, la velocità di una rete neurale appresa e l'adattabilità del rilevamento del peso in tempo reale, i ricercatori hanno dimostrato un sistema che potrebbe un giorno far sentire ogni viaggio fluido come quello di una berlina di lusso, indipendentemente dalle condizioni stradali o dal numero di passeggeri.