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

あらゆる車両が道路を走行する際、常に直面する耳障りな現実があります。それは、地面がめったに平坦ではないということです。車が段差に当たると、車輪は上下に動き、介入がなければ、その動きは乗客に直接伝わり、荒く不快な乗り心地を生み出します。数十年にわたり、エンジニアはゴム製のパッドや機械的なスプリングを使用して衝撃をいくらか吸収するパッシブ・システムを用いて、この問題を解決しようとしてきました。その後、路面に対して硬さや減衰力を調整できるセミアクティブ・システムが登場しましたが、これらは依然として、衝撃を受けた「後」の車の反応に依存していました。究的な目標は、モーターとセンサーを使用して、段差とは逆方向に車体を押し上げ、乗客が感じる前に振動を事実上打ち消すような、アクティブ・サスペンション・システムでした。この技術はより滑らかな乗り心地と優れた安全性をもたらすと期待されていますが、高級車にしか搭載されない贅沢な機能にとどまってきました。主な障壁は困難なトレードオフでした。完璧な対抗動作をリアルタイムで計算するために必要なコンピュータは、標準的な自動車用チップに対して処理が遅すぎ、また、十分な力を発生させるために必要なモーターは、量産するには大きすぎるか、あるいは消費電力が多すぎるのです。

ベン・グリオン大学（ネゲヴ）と広東理工大学の研究チームは、この溝を埋めるための新しい方法を提案しました。彼らは、高度なプランニングの数学的な精密さと、学習されたニューラルネットワークの速度を組み合わせ、かつ車のモーターの物理的限界を尊重する制御システムを開発しました。詳細なコンピュータ・シミュレーションを通じてテストされた彼らの研究は、スーパーコンピュータや無限の電力を用意せずとも、完璧で理想的なサスペンションの滑らかさを実現することが可能であることを示唆しています。鍵となる洞察は、このシステムが単に路面に反応するのではなく、「先読み」をするという点です。数メートル先にある段差に関するデータである路面の「プレビュー（先読み）」情報を用いることで、コントローラーは事前に動作を準備することができます。しかし、研究者たちは重要なニュアンスを発見しました。このプレビュー機能は、まさにモーターが弱い、あるいは飽和状態にある時に最も有益であるということです。アクチュエータが強力であれば、単に乱れに対して反応することができますが、制限がある場合、先読みする能力によって、限られた力をより早い段階で再配分できるようになり、プレビュー情報の価値が制約のないシナリオよりもはるかに高まるのです。

このシステムを実用的なものにするため、研究者たちは速度の問題に取り組みました。サスペンションを制御する最も正確な方法は、モデル予測制御と呼ばれる手法であり、これは今後数秒間の最適な行動を絶えず計算するものです。理想的な世界では、この計算は瞬時に行われますが、現実には高速道路を走行する車にとっては時間がかかりすぎます。研究者たちは、高度な人工知能の一種であるニューラルネットワークを訓練することで、この問題を解決しました。つまり、低速で完璧な計算機の決定を模倣するようにしたのです。彼らは、理想的なコントローラーの動作を示す何千もの例をニューラルネットワークに与え、路面状況や車の状態を認識し、同じ精度で応答するように学習させました。一度訓練されると、このニューラルネットワークは「サロゲート（代理）」として機能し、元の手法よりも約80倍速く意思決定を行います。この高速化は、特殊で高価なハードウェアではなく、現代の車両に搭載されている標準的なコンピュータ・チップ上でシステムを実行できるほど顕著なものです。

この研究は、現実世界の運転における一般的な問題、すなわち車の重量の変化にも対処しました。乗客や荷物を満載した車両は、空の状態の車両よりも重くなり、この変化はサスペンションの挙動を変えてしまいます。空の車用に設計されたコントローラーは、車が満載の時には性能が低下します。これに対処するため、チームは走行中に車両の現在の重量を継続的に推定するオンライン識別モジュールを追加しました。更新された情報をニューラルネットワークにフィードバックすることで、システムは走行中に戦略を適応させます。シミュレーションにおいて、この適応型のアプローチは、重量が変わらないと仮定したシステムと比較して、乗客が感じる振動をさらに32パーセント減少させました。

研究者たちは、滑らかな路面から凹凸のある荒れた地形、さらにはスピードバンプのような特定の障害物まで、さまざまな路面条件下で彼らの手法を標準的なベースラインと比較してテストしました。彼らは車両の4分の1のモデルをシミュレートし、単一の車輪とその上の車体の垂直運動に焦点を当て、その後、車全体のピッチング運動を含むハーフ車両モデルへと拡張しました。結果は、新しいシステムが一貫して従来の手法を上回ることを示しました。モーターに十分なパワーがある場合、プレビュー機能を備えたシステムは、標準的なフィードフォワード・コントローラーと比較して振動加速度を12パーセント減少させました。スピードバンプに当たる特定のケースでは、その改善はさらに劇的でした。0.7秒のプレビュー・ウィンドウを用いることで、システムはベースラインと比較して振動加速度を57パーセント減少させました。このシステムは、車輪が段差に触れる前に車体を押し上げ始めるというプロアクティブ（先行的）な動きを行うことで、モーターが過負荷になるのを防いだのです。

しかし、研究はまた根本的な境界も明らかにしました。研究者たちは、先読みによるメリットは、モーターが弱く、その限界付近で動作しているときに最大化されることを発見しました。滑らかな乗り心地を実現するために必要な力がモーターの最大限界を超えると、システムは飽和します。このような制約条件下では、路面を先読みするという追加の情報が極めて重要になります。なぜなら、それが限られた力の使用を最適化することを可能にするからです。逆に、アクチュエータが非常に強力で決して飽和しない場合、プレビューの利点は減少します。この知見は、エンジニアに明確な指針を与えます。すなわち、プレビュー制御を効果的にするためには、ハードウェアが無限に強力である必要はないが、制御戦略は、特にアクチュエータの制限を克服するためにプレビューを活用するように設計されなければならないということです。チームはまた、先読みをしすぎても効果がないことも発見しました。テストされた路面の段差の周波数に対しては、約0.5秒のプレビュー・ウィンドウがあれば、必要な情報を捉えるのに十分でした。この範囲を超えて視界を広げても、乗り心地は向上せず、計算負荷が増すだけでした。

論文は、この手法がまだ実車でのテストは行われていないものの、シミュレーション結果は堅牢であり、普及への実行可能な道筋を示していると結論づけています。このアプローチは、複雑で最適な制御システムの性能を、計算コストをかけることなく提供する方法を提供しており、アクティブ・サスペンションを日常的な車にとってより現実的な選択肢にしています。プレビュー制御の先見性と、学習されたニューラルネットワークの速度、そしてリアルタイムの重量検知の適応性を組み合わせることで、研究者たちは、路面状況や乗客の数に関わらず、あらゆる乗り心地を高級セダンのように滑らかにできる可能性のあるシステムを実証したのです。