⚡ electrical engineering

An Actor-Critic-Identifier Control Design for Increasing Energy Efficiency of Automated Electric Vehicles

Este artigo propõe uma arquitetura de controle baseada em aprendizado por reforço (Actor-Critic) integrada a um identificador de rede neural para mapear o consumo de energia de veículos elétricos autônomos, aumentando a eficiência energética e a recuperação de energia em comparação com controladores tradicionais.

Autores originais: Hamed Faghihian, Arman Sargolzaei

Publicado 2026-02-11

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Hamed Faghihian, Arman Sargolzaei

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Problema: O "Dilema da Bateria" dos Carros Elétricos

Imagine que você está fazendo uma viagem de carro. Se você dirigir de forma muito agressiva — pisando fundo no acelerador e freando bruscamente — você vai chegar rápido, mas a gasolina (ou a bateria) vai acabar muito antes do esperado. Se você dirigir de forma muito lenta e cautelosa, você economiza energia, mas pode não chegar ao seu destino no tempo certo ou pode atrapalhar o trânsito.

Para os carros elétricos (EVs), esse problema é ainda maior. O grande desafio não é apenas ter uma bateria grande, mas sim como dirigir de um jeito inteligente para que cada gota de energia seja usada da melhor forma possível, aproveitando até o momento de frear para "recarregar" o carro (a famosa frenagem regenerativa).

O problema é que cada carro é diferente. A eficiência muda conforme o peso, o clima, o estado da bateria e o tipo de motor. Criar um "manual de instruções" (um modelo matemático) que funcione perfeitamente para todos os carros é quase impossível.

A Solução: O "Piloto Aprendiz" (O Sistema ACI)

Os pesquisadores criaram um sistema chamado ACI (Ator-Crítico-Identificador). Em vez de tentar dar ao carro um manual de instruções pronto, eles deram a ele um "cérebro digital" que aprende enquanto dirige.

Para entender como esse cérebro funciona, imagine um estudante de Fórmula 1 que está treinando em uma pista desconhecida:

O Identificador (O Observador): Imagine que o piloto está tentando entender como o carro se comporta. "Se eu pisar assim, ele acelera muito?" ou "Se eu frear agora, quanto de energia volta para a bateria?". O Identificador é como os sentidos do piloto; ele está constantemente mapeando o terreno e o comportamento do carro em tempo real, aprendendo as "regras do jogo" daquele veículo específico enquanto ele se move.
O Crítico (O Juiz): Enquanto o piloto dirige, existe um juiz sentado ao lado dele com uma prancheta. O Crítico não dirige, mas ele avalia cada movimento. Ele diz: "Essa aceleração foi muito brusca, você gastou energia demais!" ou "Essa curva foi perfeita, você manteve a velocidade e economizou!". O Crítico avalia o "custo" de cada ação.
O Ator (O Piloto): O Ator é quem realmente mexe no volante e nos pedais. Ele recebe as instruções do Juiz (Crítico) para melhorar sua performance. Se o Juiz diz que ele gastou muito, o Ator ajusta sua técnica na próxima curva para ser mais eficiente.

Como isso funciona na prática?

O sistema não foca apenas em "não gastar energia", mas sim em um equilíbrio perfeito: seguir a velocidade desejada (não atrasar) + economizar o máximo de energia possível.

O grande diferencial é que esse sistema é "independente de modelo". Isso significa que você não precisa de um engenheiro para programar cada detalhe do motor. Você simplesmente coloca o sistema no carro, e ele "aprende" a ser eficiente sozinho, adaptando-se às particularidades daquele motor e daquelas condições de estrada.

Os Resultados: Vale a pena?

Os testes mostraram que esse "piloto inteligente" é muito superior aos sistemas tradicionais (como o famoso PID, que é o padrão usado em muitos controles automáticos).

Mais precisão: O carro segue a velocidade planejada de forma muito mais suave.
Mais economia: O sistema conseguiu recuperar muito mais energia durante as frenagens. No teste, a economia de energia foi impressionante, mostrando que o carro consegue "reaproveitar" muito melhor o que seria desperdiçado.

Resumo da Ópera

Em vez de tentar prever o futuro com fórmulas complicadas, os cientistas criaram um sistema que aprende com o presente. É como se o carro tivesse um motorista profissional e um professor de economia dentro dele, trabalhando juntos para garantir que você chegue ao seu destino com o máximo de bateria possível no painel.

Resumo Técnico: Design de Controle Actor-Critic-Identifier para Aumento da Eficiência Energética de Veículos Elétricos Automatizados

1. O Problema

A principal barreira para a adoção em massa de veículos elétricos (EVs) é a limitação da autonomia (range). Embora a automação de veículos (AVs) ofereça oportunidades para melhorar a eficiência, a maioria das estratégias atuais falha em veículos elétricos por dois motivos principais:

Complexidade de Modelagem: É extremamente difícil criar modelos matemáticos explícitos que relacionem diretamente as entradas de controle (torque) com o consumo total de potência, devido a variáveis dinâmicas como o estado de carga da bateria (SOC), temperatura e eficiência do inversor.
Lacuna de Controle: Muitos métodos de condução eco (eco-driving) focam apenas na velocidade, ignorando a dinâmica específica de regeneração de energia e a necessidade de rastreamento preciso de perfis de velocidade em cenários de condução automatizada.

2. Metodologia (Arquitetura ACI)

Os autores propõem uma arquitetura de Aprendizado por Reforço (RL) inovadora denominada Actor-Critic-Identifier (ACI). Diferente de métodos tradicionais que separam a identificação do sistema do controle, o ACI acopla essas funções em tempo real usando três redes neurais (NN) coordenadas:

Identifier (Identificador): Uma rede neural que aprende online a dinâmica desconhecida do veículo (o termo de "drift" $g(x)$ ). Ele estima o comportamento do sistema durante aceleração e desaceleração, permitindo que o controlador compense incertezas sem um modelo físico prévio.
Critic (Crítico): Aproxima a função de valor ótima ( $J^*$ ), que estima o custo acumulado (energia + erro de velocidade) a partir do estado atual.
Actor (Ator): Gera o comando de controle (torque) aproximando a política ótima ( $u^*$ ), baseando-se nas informações fornecidas pelo Crítico.

Fundamentação Matemática: O design é rigorosamente baseado na análise de estabilidade de Lyapunov e na teoria de Filippov (para lidar com sistemas descontínuos). O objetivo é minimizar o resíduo da Equação de Hamilton-Jacobi-Bellman (HJB), garantindo que a política aplicada converja para a política ótima enquanto mantém a estabilidade do sistema.

3. Principais Contribuições

Eliminação de Modelos Explícitos: O controlador não depende de mapas de eficiência de potência ou modelos complexos de powertrain; ele aprende essas relações diretamente através da interação com o ambiente.
Acoplamento de Identificação e Controle: A integração do Identificador permite que o controlador seja adaptável a diferentes veículos e condições de condução.
Garantia de Estabilidade: O uso de leis de atualização derivadas via Lyapunov fornece uma base matemática sólida para garantir que o erro de rastreamento e os pesos das redes neurais permaneçam limitados (UUB - Uniformly Ultimately Bounded).

4. Resultados

Os autores validaram o método em simulações utilizando um modelo realista de powertrain de VE, comparando o ACI com um controlador PID tradicional ajustado:

Rastreamento de Velocidade: O controlador ACI apresentou um erro de rastreamento de velocidade significativamente menor do que o PID (conforme Fig. 3).
Eficiência Energética: O ACI reduziu o consumo de energia líquida de tração de 13,835 kJ (PID) para 7,99 kJ (ACI).
Recuperação de Energia: O método demonstrou uma capacidade superior de gerenciar a potência de tração e a frenagem regenerativa, resultando em uma redução de 42% no consumo de energia em comparação ao baseline.

5. Significância

Este trabalho é significativo pois demonstra que é possível alcançar um controle de condução altamente eficiente e inteligente sem a necessidade de modelos de engenharia exaustivos e caros. A abordagem ACI abre caminho para veículos elétricos autônomos que podem maximizar sua autonomia de forma adaptativa, ajustando-se em tempo real às variações de carga, temperatura e condições de estrada, o que é crucial para a viabilidade comercial da mobilidade elétrica.