Personalized electric vehicle energy consumption estimation framework that integrates driver behavior with map data

Resumo Técnico: Framework de Estimativa de Consumo de Energia Personalizado para Veículos Elétricos

Título: Personalized electric vehicle energy consumption estimation framework that integrates driver behavior with map data
Autores: Sreechakra Vasudeva Raju Rachavelpula e Sangwhan Cha (Harrisburg University of Science and Technology, EUA)

1. Problema e Motivação

A transição para Veículos Elétricos a Bateria (BEVs) enfrenta uma barreira significativa conhecida como "ansiedade de autonomia", causada principalmente por estimativas imprecisas da autonomia restante e do Estado de Carga (SOC).

• Limitações Atuais: As abordagens existentes de estimativa de autonomia dependem frequentemente de médias de consumo recentes ou suposições de condução simplificadas. Elas falham em considerar fatores contextuais críticos, como geometria da estrada, controle de tráfego e, crucialmente, o comportamento individual do motorista.
• Impacto do Comportamento: Estudos indicam que estilos de condução agressivos podem reduzir a autonomia em 20–40% em comparação com condutores conservadores.
• Lacuna de Pesquisa: Existe uma falta de frameworks personalizados que integrem simultaneamente o comportamento específico do motorista e a geometria futura da estrada para previsões de longo horizonte.

2. Metodologia e Arquitetura do Sistema

O artigo propõe um framework modular de sete etapas que combina features baseadas em mapas, previsão de velocidade específica do motorista (via aprendizado de máquina) e modelagem física de consumo de energia.

Fluxo de Dados e Módulos:

1. Manipulador de Exibição de Mapa: Interface do usuário (Python-Selenium) para selecionar rotas no OpenStreetMap (OSM) e baixar a geometria da rota (GeoJSON).
2. Processador de Rota: Interage com a API do motor de roteamento Valhalla para extrair features detalhadas da estrada (limites de velocidade, curvatura, inclinação, densidade de interseções) e estrutura os dados em um DataFrame.
3. Gerador de Perfil de Velocidade de Referência: Cria uma trajetória de velocidade inicial baseada em regras (limites legais, redução em curvas, parada em semáforos) sem personalização.
4. Controlador PID: Simula a dinâmica do veículo (aceleração, desaceleração, jerk) seguindo a referência de velocidade. Isso gera dados de condução "passada" realistas e fisicamente consistentes para alimentar o modelo de IA.
5. Módulo Driver LSTM (Núcleo da Contribuição):
   • Utiliza uma rede Bidirecional LSTM (BiLSTM) com arquitetura encoder-decoder.
   • Entradas: Estados passados do veículo (velocidade, aceleração) + Features passadas e futuras da estrada (elevação, curvatura, sinais de trânsito).
   • Funcionamento: A rede aprende padrões temporais de condução específicos do indivíduo, antecipando a geometria da estrada (ex: desacelerar antes de uma curva ou interseção).
   • Saída: Perfis de velocidade futuros personalizados.
6. Modelo de Consumo de Energia BEV:
   • Utiliza um modelo físico de retrocesso (backward model) baseado no framework VT-CPEM.
   • Calcula a força de tração necessária (inércia, gravidade, arrasto aerodinâmico, resistência de rolamento).
   • Estima a potência do motor, eficiência de frenagem regenerativa e evolução do SOC ao longo da rota.
7. Módulo de Visualização: Gera gráficos comparativos de velocidade, potência e SOC para validação.

3. Principais Contribuições

• Integração Híbrida: Combina modelos baseados em dados (LSTM para comportamento do motorista) com modelos baseados em física (dinâmica veicular e consumo de energia).
• Contexto de Mapa Rico: Incorpora features de longo horizonte (geometria futura da estrada) no modelo de previsão de velocidade, permitindo que o sistema "antecipe" a condução.
• Personalização: O modelo LSTM é treinado para capturar a assinatura única de um motorista, superando a abordagem de "média de todos os motoristas".
• Pipeline End-to-End: Apresenta um sistema completo, desde a seleção da rota até a estimativa final de SOC, validado em cenários reais.

4. Resultados e Avaliação

O sistema foi testado em três tipos de rotas distintas: Urbana, Rodovia e Terreno Acidentado (Colinas).

• Rota Urbana: O modelo capturou com precisão as tendências de desaceleração perto de interseções e sinais de trânsito. Embora não tenha parado completamente em todos os sinais (devido ao horizonte de previsão limitado de 100m e dados de treinamento), a desaceleração foi realista. As acelerações previstas foram mais suaves e variáveis do que as simuladas pelo PID, refletindo o comportamento humano.
• Rota de Rodovia: O modelo previu oscilações de velocidade ao redor do limite legal, refletindo micro-ajustes típicos de motoristas, ao contrário da velocidade de referência suave. O consumo de energia e a queda de SOC foram lineares, conforme esperado.
• Rota de Terreno Acidentado: O sistema demonstrou sensibilidade à inclinação. Em descidas, previu regeneração contínua (potência negativa e recuperação de SOC); em subidas, previu aumento na demanda de potência e declínio acelerado do SOC.
• Precisão: Os perfis de potência e SOC gerados alinharam-se com o comportamento físico esperado, validando a eficácia da combinação entre aprendizado de comportamento e modelagem física.

5. Significância e Conclusão

Este trabalho demonstra que a estimativa de autonomia de BEVs pode ser significativamente aprimorada ao integrar o comportamento aprendido do motorista com o contexto do mapa e a física do veículo.

• Aplicações Práticas: O framework suporta aplicações como roteamento ecológico (eco-routing), navegação consciente de energia e gerenciamento de energia adaptativo ao motorista.
• Futuro: Os autores sugerem melhorias no comportamento de parada (com maior horizonte de visão), exploração de arquiteturas Transformer e refinamento dos mapas de eficiência dos componentes.

Em suma, a proposta oferece uma base robusta para sistemas de previsão de autonomia mais precisos, personalizados e conscientes do contexto, abordando diretamente a ansiedade de autonomia dos usuários de veículos elétricos.