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

Todo veículo que viaja sobre uma estrada encontra uma realidade constante e brusca: o solo raramente é plano. Quando um carro atinge um calombo, as rodas movem-se para cima e para baixo e, sem intervenção, esse movimento transfere-se diretamente para os passageiros, criando uma condução áspera e desconfortável. Durante décadas, os engenheiros tentaram resolver isto com sistemas passivos, utilizando almofadas de borracha e molas mecânicas que absorvem parte do choque. Mais tarde, surgiram sistemas semiautivos, que podiam ajustar a sua rigidez ou amortecimento para reagir à estrada, mas estes ainda dependiam da reação do carro a um calombo após este já ter sido atingido. O objetivo final tem sido sempre um sistema de suspensão ativa, uma configuração que utiliza motores e sensores para empurrar a carroçaria do carro na direção opina ao de um calombo, cancelando efetivamente a vibração antes mesmo de os passageiros a sentirem. Embora esta tecnologia prometa uma condução mais suave e maior segurança, tem permanecido uma característica de luxo encontrada apenas nos carros mais caros. A barreira principal tem sido um difícil compromisso: os computadores necessários para calcular o contramovimento perfeito em tempo real são demasiado lentos para os chips padrão de automóveis, e os motores necessários para gerar força suficiente são frequentemente demasiado grandes ou consomem demasiada energia para a produção em massa.

Uma equipa de investigadores da Universidade Ben-Gurion do Negev e do Instituto Tecnológico Guangdong-Israel propôs uma nova forma de colmatar esta lacuna. Desenvolveram um sistema de controlo que combina a precisão matemática de um planeamento avançado com a velocidade de uma rede neuronal aprendida, tudo isto respeitando os limites físicos dos motores do carro. O seu trabalho, testado através de simulações detalhadas por computador, sugere que é possível alcançar a suavidade de uma suspensão perfeita e ideal sem necessidade de supercomputadores ou de energia infinita. A ideia fundamental é que o sistema não se limita a reagir à estrada; ele olha para a frente. Ao utilizar uma "prévia" da superfície da estrada — dados sobre calombos que ainda estão a alguns metros de distância — o controlador pode preparar os seus movimentos com antecedência. No entanto, os investigadores descobriram uma nuance crítica: esta capacidade de prévia é mais benéfica precisamente quando os motores são fracos ou estão saturados. Quando os atuadores são fortes, podem simplesmente reagir às perturbações, mas quando são limitados, a capacidade de olhar para a frente permite que o sistema realoque a sua força limitada mais cedo no tempo, tornando a informação de prévia muito mais valiosa do que em cenários não restringidos.

Para tornar este sistema prático, os investigadores abordaram o problema da velocidade. A forma mais precisa de controlar a suspensão é através de um método chamado controlo preditivo de modelo, que calcula constantemente a melhor ação possível para os próximos segundos. Num mundo perfeito, este cálculo seria instantâneo, mas na realidade, demora demasiado tempo para um carro a viajar a velocidades de autoestrada. Os investigadores resolveram isto treinando uma rede neuronal, um tipo de inteligência artificial, para imitar as decisões do calculador lento e perfeito. Eles alimentaram a rede neuronal com milhares de exemplos das ações do controlador ideal, ensinando-a a reconhecer as condições da estrada e o estado do carro e a responder com a mesma precisão. Uma vez treinada, esta rede neuronal atua como um "substituto", tomando decisões quase oitenta vezes mais rápido do que o método original. Esta aceleração é significativa o suficiente para que o sistema possa correr nos chips de computador padrão encontrados nos veículos modernos, em vez de exigir hardware especializado e caro.

O estudo também abordou um problema comum na condução do mundo real: o peso de um carro muda. Um veículo com uma carga total de passageiros e bagagem é mais pesado do que um vazio, e esta mudança altera a forma como a suspensão se comporta. Um controlador desenhado para um carro vazio terá um desempenho deficiente quando o carro estiver cheio. Para lidar com isto, a equipa adicionou um módulo de identificação online que estima continuamente o peso atual do veículo enquanto este circula. Ao introduzir esta informação atualizada na rede neuronal, o sistema adapta a sua estratégia sobre a marcha. Nas suas simulações, esta abordagem adaptativa reduziu a vibração sentida pelos passageiros em mais trinta e dois por cento comparativamente a um sistema que assumia que o peso nunca mudava.

Os investigadores testaram o seu método contra uma linha de base padrão utilizando várias condições de estrada, desde superfícies suaves a terrenos irregulares e acidentados e até obstáculos específicos como lombadas. Simularam um quarto de um veículo, focando-se no movimento vertical de uma única roda e do corpo acima dela, e mais tarde expandiram o teste para um modelo de meio veículo que incluía o movimento de arfagem de todo o carro. Os resultados mostraram que o novo sistema superou consistentemente os métodos tradicionais. Quando os motores tinham potência suficiente, o sistema com prévia reduziu a aceleração da vibração em doze por cento comparativamente a um controlador de avanço direto padrão. No caso específico de atingir uma lombada, a melhoria foi ainda mais dramática; com uma janela de prévia de 0,7 segundos, o sistema alcançou uma redução de 57% na aceleração da vibração em comparação com a linha de base. O sistema funcionou ao começar a empurrar a carroçaria do carro para cima antes mesmo de a roda tocar no calombo, um movimento proativo que evitou que o motor ficasse sobrecarregado.

No entanto, o estudo também revelou um limite fundamental. Os investigadores descobriram que os benefícios de olhar para a frente na estrada são maximizados quando os motores são fracos e operam perto dos seus limites. Quando a força necessária para suavizar a condução excede o limite máximo do motor, o sistema satura; nestas condições de restrição, a informação extra sobre a estrada à frente torna-se crucial porque permite ao controlador otimizar o uso da sua força limitada. Por outro lado, se os atuadores forem extremamente fortes e nunca saturarem, a vantagem da prévia diminui. Esta descoberta fornece uma diretriz clara para os engenheiros: para tornar o controlo de prévia eficaz, o hardware não precisa de ser infinitamente poderoso, mas a estratégia de controlo deve ser desenhada para aproveitar a prévia especificamente para superar as limitações do atuador. A equipa também descobriu que olhar demasiado longe para a frente não ajuda; uma janela de prévia de cerca de meio segundo foi suficiente para capturar a informação necessária para as frequências dos calombos da estrada que testaram. Estender a visão além deste ponto aumentava a carga computacional sem melhorar a condução.

O artigo conclui que, embora o método ainda não tenha sido testado num veículo físico, os resultados das simulações são robustos e apontam para um caminho viável para a adoção em massa. A abordagem oferece uma forma de obter o desempenho de um sistema de controlo complexo e ideal sem o custo computacional, tornando a suspensão ativa uma opção mais realista para os carros do dia a dia. Ao combinar a previsão do controlo de prévia, a velocidade de uma rede neuronal aprendida e a adaptabilidade da deteção de peso em tempo real, os investigadores demonstraram um sistema que poderá um dia fazer com que cada viagem pareça tão suave como a de um sedan de luxo, independentemente das condições da estrada ou do número de passageiros.