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

Elk voertuig dat over een weg rijdt, krijgt te maken met een constante, schokkerige realiteit: de grond is zelden vlak. Wanneer een auto een hobbel raakt, bewegen de wielen op en neer, en zonder interventie wordt die beweging direct overgedragen aan de passagiers, wat zorgt voor een ruwe, oncomfortabele rit. Decennialang hebben ingenieurs geprobeerd dit op te lossen met passieve systemen, waarbij rubberen kussens en mechanische veren een deel van de schok absorberen. Later kwamen er semi-actieve systemen op, die hun stijfheid of demping konden aanpassen om te reageren op de weg, maar deze vertrouwden nog steeds op de reactie van de auto op een hobbel nadat deze al was geraakt. Het ultieme doel is altijd een actief ophangingssysteem geweest, een opstelling die motoren en sensoren gebruikt om de carrosserie van de auto in de tegenovergestelde richting van een hobbel te duwen, waardoor de trilling effectief wordt geannuleerd voordat de passagiers deze zelfs maar voelen. Hoewel deze technologie een soepelere rit en betere veiligheid belooft, is het een luxe kenmerk gebleven dat alleen te vinden is in de duurste auto's. De belangrijkste barrière is geweest een moeilijke afweging: de computers die nodig zijn om de perfecte tegenbeweging in realtime te berekenen zijn te traag voor standaard auto-chips, en de motoren die nodig zijn om genoeg kracht te genereren zijn vaak te groot of te energieverslindend voor massaproductie.

Een team onderzoekers van de Ben-Gurion Universiteit van de Negev en het Guangdong Technion-Israel Institute of Technology heeft een nieuwe manier voorgesteld om deze kloof te overbruggen. Zij ontwikkelden een controlesysteem dat de wiskundige precisie van geavanceerde planning combineert met de snelheid van een geleerd neuraal netwerk, terwijl het tegelijkertijd rekening houdt met de fysieke limieten van de motoren van de auto. Hun werk, getest via gedetailleerde computersimulaties, suggereert dat het mogelijk is om de soepelheid van een perfecte, ideale ophanging te bereiken zonder dat daar supercomputers of oneindige stroom voor nodig zijn. Het cruciale inzicht is dat het systeem niet alleen reageert op de weg; het kijkt vooruit. Door gebruik te maken van een "preview" van het wegoppervlak — gegevens over hobbels die nog enkele meters verderop liggen — kan de controller zijn bewegingen vooraf voorbereiden. De onderzoekers ontdekten echter een kritische nuance: deze preview-mogelijkheid is het meest nuttig precies wanneer de motoren zwak of verzadigd zijn. Wanneer actuatoren sterk zijn, kunnen ze simpelweg reageren op verstoringen, maar wanneer ze beperkt zijn, stelt het vermogen om vooruit te kijken het systeem in staat om de beperkte kracht eerder in de tijd te herverdelen, waardoor de preview-informatie veel waardevoller is dan in scenario's zonder beperkingen.

Om dit systeem praktisch te maken, pakten de onderzoekers het probleem van snelheid aan. De meest nauwkeurige manier om de ophanging te besturen is via een methode genaamd model voorspellende controle (model predictive control), die constant de beste mogelijke actie voor de volgende paar seconden berekent. In een perfecte wereld zou deze berekening onmiddellijk zijn, maar in de werkelijkheid duurt het te lang voor een auto die met snelheden op de snelweg rijdt. De onderzoekers losten dit op door een neuraal netwerk, een vorm van kunstmatige intelligentie, te trainen om de beslissingen van de trage, perfecte calculator na te bootsen. Ze voedden het neurale netwerk met duizenden voorbeelden van de acties van de ideale controller, waarbij het netwerk werd geleerd om de wegcondities en de staat van de auto te herkennen en met dezelfde precisie te reageren. Eenmaal getraind, fungeert dit neurale netwerk als een "surrogaat", die beslissingen neemt die bijna tachtig keer sneller zijn dan de oorspronkelijke methode. Deze versnelling is aanzienlijk genoeg zodat het systeem kan draaien op de standaard computerchips die in moderne voertuigen worden gevonden, in plaats van dat er gespecialiseerde, dure hardware nodig is.

De studie pakte ook een veelvoorkomend probleem bij het rijden in de echte wereld aan: het gewicht van een auto verandert. Een voertuig met een volle lading passagiers en bagage is zwaarder dan een leeg voertuig, en deze verandering beïnvloedt hoe de ophanging zich gedraagt. Een controller die is ontworpen voor een lege auto zal slecht presteren wanneer de auto vol is. Om dit aan te pakken, voegde het team een online identificatiemodule toe die continu het huidige gewicht van het voertuig inschat terwijl het rijdt. Door deze bijgewerkte informatie in het neurale netwerk te voeden, past het systeem zijn strategie gaandeweg aan. In hun simulaties verminderde deze adaptieve aanpak de trillingen die de passagiers voelden met nog eens tweeëndertig procent vergeleken met een systeem dat ervan uitging dat het gewicht nooit veranderde.

De onderzoekers testten hun methode tegen een standaard baseline onder verschillende wegcondities, van gladde oppervlakken tot ruig, ongelijk terrein en zelfs specifieke obstakels zoals drempels. Ze simuleerden een kwart van een voertuig, waarbij de focus lag op de verticale beweging van één wiel en de carrosserie erboven, en breidden de test later uit naar een half-voertuigmodel dat de kantelbeweging (pitching) van de gehele auto omvatte. De resultjes lieten zien dat het nieuwe systeem consequent beter presteerde dan traditionele methoden. Wanneer de motoren voldoende vermogen hadden, verminderde het preview-gestuurde systeem de trillingsversnelling met twaalf procent vergeleken met een standaard feedforward-controller. In het specifieke geval van het raken van een drempel was de verbetering nog dramatischer; met een preview-venster van 0,7 seconde bereikte het systeem een reductie van 57% in trillingsversnelling vergeleken met de baseline. Het systeem werkte door de carrosserie van de auto omhoog te duwen voordat het wiel de drempel zelfs maar raakte, een proactieve zet die voorkwam dat de motor overbelast raakte.

De studie onthulde echter ook een fundamentele grens. De onderzoekers ontdekten dat de voordelen van het vooruitkijken naar de weg worden gemaximaliseerd wanneer de motoren zwak zijn en dicht bij hun limieten opereren. Wanneer de kracht die nodig is om de rit soepel te maken de maximale limiet van de motor overschrijdt, verzadigt het systeem; in deze beperkte omstandigheden wordt de extra informatie over de weg vooruit cruciaal, omdat het de controller in staat stelt om het gebruik van zijn beperkte kracht te optimaliseren. Omgekeerd, als de actuatoren extreem sterk zijn en nooit verzadigen, neemt het voordeel van de preview af. Deze bevinding biedt een duidelijke richtlijn voor ingenieurs: om preview-controle effectief te maken, hoeft de hardware niet oneindig krachtig te zijn, maar moet de controlestrategie zo worden ontworpen dat deze de preview specifiek gebruikt om de beperkingen van de actuator te overwinnen. Het team ontdekte ook dat te ver vooruitkijken niet helpt; een preview-venster van ongeveer een halve seconde was voldoende om de noodzakelijke informatie te vangen voor de frequenties van de geteste wegophellingen. Het verlengen van het zicht voorbij dit punt verhoogde de computationele belasting zonder de rit te verbeteren.

Het artikel concludeert dat hoewel de methode nog niet op een fysiek voertuig is getest, de simulatie-resultaten robuust zijn en wijzen op een levensvatbaar pad naar massale adoptie. De aanpak biedt een manier om de prestaties van een complex, optimaal controlesysteem te verkrijgen zonder de computationele kosten, waardoor actieve ophanging een realistischere optie maakt voor alledaagse auto's. Door de vooruitziendheid van preview-controle, de snelheid van een geleerd neuraal netwerk en de aanpasbaarheid van realtime gewichtdetectie te combineren, hebben de onderzoekers een systeem gedemonstreerd dat er een dag in kan zijn dat elke rit net zo soepel aanvoelt als die van een luxe sedan, ongeacht de wegcondities of het aantal passagiers.