Human-in-the-loop Energy and Thermal Management for Electric Racing Cars through Optimization-based Control

Este artigo apresenta um sistema de gerenciamento de energia e térmico para carros de corrida elétricos que, ao combinar otimização global em tempo real com um algoritmo de bissecção online e controle de feedback, ajusta em tempo real o sinal de "lift-off-throttle" para respeitar orçamentos energéticos e térmicos, resultando em tempos de prova apenas ligeiramente superiores à otimização offline ideal.

O essencial

Imagine que você é um piloto de corrida de carros elétricos. Seu carro é incrível, rápido e silencioso, mas tem um "calcanhar de Aquiles": a bateria. Diferente dos carros a gasolina, que podem encher o tanque em 3 minutos, carregar uma bateria de corrida leva tempo. Se você usar muita energia rápido demais, terá que parar na caixa de pit (o box) por mais tempo, perdendo a corrida. Se usar de menos, não consegue fazer a volta mais rápida possível.

O desafio é: Como dirigir o carro mais rápido possível sem ficar sem bateria no meio da pista?

Este artigo apresenta uma solução inteligente que funciona como um "copiloto digital" para o piloto. Em vez de tentar substituir o piloto (o que seria perigoso e contra as regras), o sistema ajuda o piloto a saber exatamente quando acelerar ao máximo e quando "desacelerar e deixar o carro deslizar" (o famoso lift-and-coast).

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: O "Maratona" de 47 km

Pense na corrida como uma maratona de 47 km. O objetivo é terminar o mais rápido possível, mas você só tem uma certa quantidade de "energia" (bateria) e precisa chegar ao final com a bateria ainda quente o suficiente para carregar rápido no box.

Os computadores mais avançados conseguem calcular a rota perfeita para essa maratona. Eles dizem: "Acelere aqui, freie ali, deslize ali". O problema é que esse cálculo perfeito é tão complexo que demora muito para ser feito, e o resultado é uma curva de velocidade suave que um humano não consegue seguir perfeitamente com o pé no acelerador. Seria como pedir para alguém andar em uma linha perfeitamente reta sem nunca oscilar o corpo: impossível para um humano.

2. A Solução: O "Semáforo" Inteligente

Os autores criaram um sistema que simplifica essa matemática complexa em algo que um humano consegue entender: Acelere no máximo OU desligue o motor e deslize.

É como se o sistema fosse um semáforo para o piloto:

• Verde: Pisque no acelerador até o fundo (Full Throttle).
• Vermelho: Tire o pé do acelerador e deixe o carro deslizar (Coast).

O sistema não diz como frear ou quanto acelerar, ele apenas diz quando trocar de um modo para o outro. Isso é muito mais fácil para o piloto seguir.

3. Como o Computador "Adivinha" o Momento Certo?

Aqui entra a parte mágica da matemática, mas vamos simplificar:

• O Mapa de Tesouro (Otimização): Primeiro, o computador faz um cálculo super rápido (em 2,5 segundos!) de toda a pista. Ele descobre onde a energia é mais valiosa. Ele cria um "mapa de tesouro" que diz: "Nesta parte da pista, economizar energia vale muito a pena; naquela parte, não".
• O Filtro (O Algoritmo de Bissecção): O computador pega esse mapa complexo e cria uma regra simples: "Sempre que o valor de 'valor da energia' passar de X, o piloto deve desligar o motor".
• O Ajuste Fino (Feedback): O sistema não é perfeito. O vento muda, os pneus desgastam, o piloto erra. Então, o sistema usa um "termômetro" (chamado de controle PI) para ajustar essa regra em tempo real. Se o carro está gastando mais energia do que o planejado, o sistema diz: "Ok, vamos começar a desligar o motor um pouco mais cedo na próxima curva".

4. Três Versões do Sistema (Do "Super Computador" ao "Roteiro Fixo")

Os pesquisadores testaram três formas de colocar isso no carro:

1. O "Gênio em Tempo Real" (Full Online): O computador faz todos os cálculos complexos dentro do carro, a cada poucos segundos, ajustando-se a qualquer mudança. É o mais rápido e eficiente, mas exige um computador muito potente no carro.
2. O "Mapa Pré-Definido" (Fixed Trajectory): O computador carrega um mapa pré-calculado antes da corrida. Ele só ajusta o "quando desligar" (o limiar). É mais leve para o computador do carro, mas se algo inesperado acontecer (como um pneu furar ou um carro na frente), ele se adapta um pouco menos bem.
3. O "Roteiro Rígido" (Fixed Everything): O carro segue um roteiro fixo e só olha para o consumo de energia. É o mais simples de instalar, mas não sabe nada sobre a temperatura do motor e não se adapta bem a mudanças bruscas.

5. O Resultado: Quase Perfeito

O que eles descobriram foi impressionante:

• Mesmo usando o sistema simplificado (que o piloto consegue seguir), o tempo perdido em comparação com o "cálculo perfeito impossível" é ínfimo (menos de 0,4% do tempo total).
• Em corridas reais, onde imprevistos acontecem, o sistema consegue manter o carro no ritmo ideal, perdendo apenas uma fração minúscula de tempo (menos de 0,25%) em comparação com um cenário onde o computador sabia de todas as perturbações antes da corrida começar.

Conclusão

Este trabalho é como criar um GPS para a energia em corridas de carros elétricos. Ele transforma uma equação matemática impossível de seguir em um sinal simples de "acelere ou deslize". Isso permite que os pilotos dirijam no limite, sem se preocupar em ficar sem bateria, e abre caminho para que carros elétricos de corrida (e até carros de rua no futuro) sejam mais rápidos, eficientes e seguros.

Basicamente, é a tecnologia transformando a gestão de bateria de um "palpite" em uma "ciência exata", permitindo que o carro elétrico corra tão rápido quanto um de gasolina, sem precisar parar tanto para carregar.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo em português:

Título: Gestão de Energia e Térmica com Intervenção Humana em Carros de Corrida Elétricos através de Controle Baseado em Otimização

1. Problema e Motivação

A eletrificação do automobilismo, especialmente em corridas de endurance (longa distância), enfrenta o desafio crítico da densidade energética limitada das baterias em comparação com combustíveis fósseis. Isso exige maximizar a distância percorrida (voltas) dentro de um "stint" (período entre paradas nos boxes) e minimizar o tempo total de corrida.

• Desafio Principal: A gestão de energia em carros elétricos de corrida não pode ser apenas sobre consumo; deve equilibrar velocidade média, limites térmicos (motores e baterias) e restrições regulatórias.
• Limitação de Controle: Diferente de carros autônomos, carros de corrida têm um piloto humano. Regulamentos de corrida geralmente proíbem a sobrescrita direta da demanda de potência do piloto. Portanto, o sistema não pode forçar o carro a acelerar ou frear arbitrariamente, mas deve fornecer sinais (como "levantar o pé" ou lift-off) para guiar o piloto de forma segura e não intrusiva.
• Complexidade Computacional: Soluções de otimização global (como Programação Não Linear - NLP) são computacionalmente pesadas e não funcionam em tempo real para horizontes longos (ex: 47 km), além de gerarem trajetórias de potência suaves que são difíceis de seguir para um piloto.

2. Metodologia Proposta

Os autores desenvolveram um framework de controle em tempo real baseado em um modelo de horizonte encolhido (Model Predictive Control - MPC) que opera em duas etapas principais:

A. Otimização Convexa Inicial (Geração de Referência):

• Utiliza-se um modelo convexo simplificado (baseado em trabalhos anteriores dos autores) para calcular trajetórias de estado globalmente ótimas (energia, temperatura, cinética) em um horizonte de ~47 km.
• O problema é resolvido usando Programação de Segunda Ordem Cônica (SOCP), permitindo tempos de solução de cerca de 2,5 segundos.
• A saída chave é a co-estado da energia cinética ($\lambda_{kin}$), que representa a sensibilidade local do tempo de volta em relação à energia cinética.

B. Adaptação para o Piloto (Estratégia "Lift & Coast"):

• Para tornar a solução viável para um piloto humano, o sistema impõe uma restrição: fora das curvas (quando o carro não está limitado pela aderência), o acelerador deve estar em 0% (coasting) ou 100% (potência máxima).
• Algoritmo de Bissecção Online: Em vez de resolver um problema de otimização inteira mista (NP-difícil), o sistema usa o co-estado da energia cinética da solução convexa para definir um limiar ($\lambda^*$).
  • Se $\lambda_{kin} > \lambda^*$, o piloto recebe o sinal para "levantar o pé" (coast).
  • Se $\lambda_{kin} < \lambda^*$, o piloto deve acelerar a fundo.
• O limiar $\lambda^*$ é ajustado online usando um algoritmo de bissecção para garantir que as restrições de energia e temperatura sejam respeitadas ao final do stint.
• Controle de Realimentação (Feedback): Um controlador PI ajusta o limiar em tempo real com base nos erros entre o estado medido (bateria, temperatura) e o estado previsto, garantindo robustez contra perturbações (ex: arrasto aerodinâmico variável, degradação de pneus).

C. Variações de Implementação:
O estudo compara três abordagens:

1. Fully Online: O MPC, o solver convexo e o algoritmo de bissecção rodam no carro (ECU).
2. Fixed Co-state: O co-estado é pré-calculado e fixado; apenas o limiar é ajustado online.
3. Fixed Co-state & Threshold: Nem o co-estado nem o limiar são atualizados dinamicamente; o controle baseia-se apenas no erro de consumo de energia acumulado (sem feedback térmico).

3. Principais Contribuições

• Framework de Tempo Real: Demonstração de que é possível otimizar a gestão de energia e térmica para um stint inteiro (47 km) em tempo real (< 3 segundos), algo não viável com métodos NLP tradicionais.
• Interface Piloto-Máquina Segura: Desenvolvimento de uma estratégia que respeita as regulamentações de corrida, fornecendo sinais simples de "coast" baseados em limites de co-estado, sem sobrescrever o controle do piloto.
• Robustez a Perturbações: Validação do sistema contra cenários reais de corrida, como drafting (redução de arrasto), degradação de pneus e bandeiras amarelas (limitação de velocidade).
• Análise de Compromisso: Quantificação precisa da perda de desempenho ao impor restrições de "potência máxima ou coast" em comparação com a solução ótima global livre.

4. Resultados

• Eficiência Computacional: O solver SOCP resolve o horizonte de 47 km em ~2,5s; o algoritmo de bissecção leva ~0,13s por mapa de acelerador.
• Perda de Desempenho (Adaptação): A imposição da restrição de "Lift & Coast" (piloto humano) resulta em uma perda de tempo de stint de apenas 0,3% a 0,4% em relação à solução ótima global (onde a potência pode variar suavemente).
• Desempenho sob Perturbações:
  • A abordagem Fully Online foi a mais robusta, perdendo apenas 0,056% a 0,22% do tempo ideal em comparação com uma otimização offline que já conhecia as perturbações a priori.
  • As abordagens com co-estado fixo tiveram desempenho ligeiramente inferior (perda de 0,1% a 0,2%), mas ainda aceitável para o contexto de corridas.
  • A abordagem totalmente fixa (sem atualização de co-estado) mostrou vulnerabilidade em cenários de desaceleração forçada (como bandeira amarela), onde o piloto poderia ser instruído a "coast" em velocidades muito baixas, perdendo tempo desnecessariamente.
• Consistência: Os pontos de "coast" são consistentes volta a volta, facilitando a antecipação do piloto.

5. Significado e Impacto

Este trabalho preenche uma lacuna crítica na literatura de controle de veículos elétricos de corrida: a transição de otimização offline para implementação embarcada em tempo real com um piloto humano.

• Viabilidade Técnica: Demonstra que a gestão de energia complexa (incluindo térmica) pode ser executada em hardware de carro de corrida (ECU) com margem de tempo suficiente.
• Segurança e Regulamentação: Oferece um modelo para integrar sistemas de otimização avançada em carros de corrida sem violar regras que exigem controle humano sobre a potência.
• Futuro: Abre caminho para estratégias de nível superior (otimização de duração do stint e orçamento de energia) e para a aplicação em corridas de endurance de carros de turismo elétricos, onde a eficiência energética é tão crucial quanto a velocidade.

Em resumo, o paper prova que é possível alcançar desempenho próximo ao ótimo global em corridas elétricas, respeitando as limitações físicas do carro, as regras de competição e a presença de um piloto humano, através de uma arquitetura de controle híbrida (otimização convexa + controle adaptativo simples).