⚡ electrical engineering

Modeling PWM-Time-SOC Interaction in a Simulated Robot

本文提出了一种结合物理机制与数据驱动的方法，利用稀疏非线性动力学识别（SINDy）技术，构建了能够根据脉宽调制（PWM）占空比和时间准确预测四轮 Arduino 机器人电池荷电状态（SOC）消耗的统一非线性模型，从而支持自主机器人的能量感知规划。

原作者： Vidyut Pradeep, Shirantha Welikala

发布于 2026-03-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Vidyut Pradeep, Shirantha Welikala

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何让机器人更聪明地“省电”并规划行程的故事。

想象一下，你正在玩一款电子游戏，控制一个小机器人去完成任务。你手里有一个遥控器（PWM 信号），推得越用力（PWM 值越高），机器人跑得越快。但是，机器人的电池就像你的游戏手柄电池一样，电量是有限的。如果机器人跑得太快或者时间太长，电量耗尽，它就会“死机”在路中间，任务也就失败了。

以前的方法要么太简单（以为跑得越快，耗电就是简单的直线增加，其实不是），要么太笨重（需要预先记录成千上万种情况，像查字典一样）。

这篇论文的作者（一位高中生和一位大学教授）想出了一个**“物理 + 数据”双管齐下的聪明办法，给机器人装上了一个“超级省电大脑”**。

1. 核心问题：为什么机器人耗电这么“任性”？

作者发现，机器人耗电并不是简单的“跑得快就费电”。它有三个调皮的特性：

起步时的“急刹车”效应（Hook）： 就像你刚骑上自行车猛蹬一脚时，最费力、最喘气。机器人刚启动时，电流会突然激增，电量掉得特别快。过了这个“起步阶段”，耗电速度就会变慢并趋于平稳。
越跑越“累”的非线性： 如果你把速度从 50% 加到 100%，耗电并不是变成两倍，而是可能变成三倍甚至四倍。这是因为空气阻力像一堵墙，速度越快，撞墙越狠，电机就要费更大的劲。
电池也有“脾气”： 电池内部有电阻，电流一大，电压就会下降，导致电量消耗得比预想的更快。

2. 他们的解决方案：给机器人做“体检”并写“预言书”

作者没有直接拿真机器人去跑（那样太慢且容易坏），而是先在电脑里建了一个虚拟机器人（仿真模拟）。

第一步：疯狂测试（仿真）
他们在电脑里让虚拟机器人尝试了从 1% 到 100% 各种力度的油门（PWM），跑了 300 秒，记录了每一秒的电量变化。这就像给机器人做了一次全方位的“压力测试”。
第二步：寻找规律（SINDy 算法）
这是最神奇的一步。他们使用了一种叫 SINDy 的数学工具。你可以把它想象成一个**“极简主义侦探”**。
- 侦探手里有一堆可能的公式（比如：时间、速度的平方、速度的立方、对数等）。
- 侦探看着机器人跑的数据，问：“到底哪几个公式能解释这一切？”
- 侦探发现，不需要复杂的公式，只需要几个简单的项（比如：时间的对数、速度的三次方、时间和速度的组合）就能完美解释机器人的耗电规律。
第三步：写出“预言书”（数学模型）
最终，他们得到了一组简洁的数学公式。这组公式就像一个**“预言书”**：
- 你告诉机器人：“我要以 80% 的速度跑 50 秒。”
- 机器人立刻用公式算出：“好的，跑完这 50 秒，我的电量会从 100% 降到 92%。”
- 如果电量不够，机器人就会自动决定：“不行，我得慢点跑，或者换个路线。”

3. 这个“预言书”有什么厉害之处？

像天气预报一样准： 在高速（90% 油门）和低速（40% 油门）两种极端情况下，他们的预测误差都极小（平均误差不到 0.2%）。就像天气预报说“明天有雨”，结果真的下雨了，而且连雨下多大都算得准。
解释了“起步急跌”： 他们的公式里有一个特殊的“对数项”，专门用来描述机器人刚启动时电量“嗖”地一下掉下去的那个**“钩子”形状**。以前的简单模型根本抓不住这个细节。
省内存、算得快： 以前的方法可能需要存一张巨大的表格（查字典），而这个方法只需要记住几个数字（系数）。这对机器人来说，就像把一本厚厚的百科全书压缩成了一张小纸条，随时能拿出来用。

4. 总结：这对未来意味着什么？

这就好比给机器人装上了**“能量直觉”**。

以前，机器人是“盲人摸象”，走一步看一步，容易走到一半没电了。
现在，机器人有了这个模型，它就像**“老司机”**：

它知道前面路远，所以出发前就规划好：“我得用中等速度跑，不能猛踩油门，否则半路就趴窝了。”
它知道电池刚启动时“脾气大”，所以会预留更多的电量缓冲。

一句话总结：
这篇论文发明了一种聪明的数学方法，让机器人能精准预测自己在不同速度下还能跑多久，从而避免“半路抛锚”，让 autonomous（自主）机器人真正变得节能、可靠且聪明。这不仅仅是为了机器人，未来任何靠电池工作的智能设备（比如无人机、自动驾驶汽车）都能用上这种“省电大脑”。

论文技术总结：模拟机器人中 PWM-时间-SOC 交互的建模

1. 研究背景与问题定义 (Problem)

在自主移动机器人系统中，能源管理是核心挑战之一。机器人需要在有限的电池容量下规划运动，以避免在执行任务中途耗尽电量。

核心问题：现有的能量管理方法通常存在局限性：要么依赖简化的线性模型，无法捕捉电池放电的非线性动态；要么依赖针对特定运动轨迹的预编程查找表（Lookup Tables），缺乏泛化能力且难以适应不同的初始状态或环境条件。
具体目标：建立一种数学模型，能够根据时间 ( $t$ ) 和 电机控制信号（PWM 占空比 $p$ ） 准确预测机器人的电池剩余电量（SOC, State of Charge）。
难点：PWM、时间与 SOC 之间的关系是非线性的，受电机电气特性（电阻、电感、反电动势）、机械动力学（质量、阻力、滚动阻力）以及电池内阻效应的共同影响。

2. 方法论 (Methodology)

本文提出了一种**“物理引导 + 数据驱动”**的混合建模框架，结合了基于物理的仿真与稀疏识别非线性动力学（SINDy）技术。

2.1 物理仿真环境构建

作者构建了一个基于 MATLAB 的 4 轮 Arduino 机器人仿真环境，用于生成训练数据。该仿真包含：

电气模型：包含电机电阻、电感、反电动势（Back-EMF）和扭矩常数。
机械动力学：包含机器人质量、空气阻力、滚动阻力、轮半径等。
电池模型：考虑电池内阻导致的电压降（ $V_{batt} = V_{oc} - I \cdot R_{int}$ ）及容量限制。
数据生成：在 PWM 占空比 1% 到 100%（步长 10%）的范围内，模拟机器人向前运动 300 秒，记录每秒的 SOC 变化，生成时间序列数据。

2.2 稀疏识别非线性动力学 (SINDy)

利用 SINDy 框架从仿真数据中识别控制方程：

构建候选函数库 ( $\Theta$ )：基于物理直觉（如电机电流与 PWM 的非线性关系、电池内阻引起的瞬态效应），构建包含常数、时间线性项、PWM 多项式项（ $p, p^2, p^3$ ）、对数时间项（ $\ln(1+t)$ ）以及有理函数项（如 $\frac{t}{p+1}$ ）的候选库。
稀疏回归：通过最小二乘法结合稀疏约束（L1 正则化或序贯阈值法），从候选库中筛选出最能描述 SOC 变化规律的关键项，剔除冗余项。
模型推导：
- 瞬态分析：推导得出启动阶段电流激增导致 SOC 快速下降，近似为对数形式 $\ln(1+t)$ 。
- 稳态分析：推导得出匀速阶段 SOC 随时间线性下降，且速率与 PWM 呈非线性关系。
- 统一模型：将瞬态与稳态结合，形成统一的 $SOC(t, p)$ 解析表达式。

3. 主要贡献 (Key Contributions)

统一的非线性 SOC 预测模型：
开发了一个解析模型 $SOC(t, p)$，显式地捕捉了 PWM 占空比与时间的耦合效应。模型包含：
- 高达三阶的 PWM 多项式项（反映 $I^2R$ 损耗及反电动势的非线性）。
- 对数时间项（反映启动瞬态和电池内阻效应）。
- 有理函数项（描述时间与 PWM 的交叉耦合）。
  该模型无需预定义轨迹，可计算任意时间跨度的 SOC。
物理引导的数据驱动建模方法论：
提出了一种从物理仿真到数据识别的系统化流程。不同于纯经验方法，该方法将候选函数库建立在物理原理之上；不同于纯理论推导，它直接从观测数据中学习系数。这种方法生成的模型既具有物理可解释性，又具备高精度。
可扩展的部署框架：
提供了一个完整的框架，支持将模型扩展到不同的初始 SOC 水平（ $SOC_0$ ）和环境参数（如地形相关的滚动阻力系数 $C_{rr}$ ），无需重新训练整个模型，仅需调整参数即可适应新环境。

4. 实验结果与验证 (Results)

模型在仿真数据上进行了严格验证，包括高负载（90% PWM）和低负载（40% PWM）场景：

预测精度：
- 平均预测误差：0.162%。
- 最大预测误差：0.82%（出现在 $t=0$ 的初始条件近似处）。
- 稳态放电误差：通常小于 0.3%。
关键现象捕捉：
- 模型成功捕捉了 SOC 曲线初始阶段的**“钩状”（Hook）下降**（由电池内阻和启动电流激增引起），这是线性模型无法做到的。
- 在高负载（90% PWM）下，电池在 300 秒内从 100% 降至约 67%，模型预测与仿真数据高度吻合。
- 在低负载（40% PWM）下，模型同样保持了极高的精度（最大误差 0.27%）。
模型形式：
最终得到的解析模型形式为：
$SOC(t, p) = a_1 - b_1t - c_1p - d_1p^2 - e_1p^3 - f_1\ln(1+t) - g_1\frac{t}{p+1} + h_1\frac{\ln(1+t)}{1+t}$
该公式计算效率极高（微秒级），适合嵌入式实时计算。

5. 意义与影响 (Significance)

能量感知规划：该模型使机器人能够在执行任务前预测剩余电量，从而进行能量感知的路径规划和任务调度，避免中途断电。
计算效率与可解释性：相比查找表或黑盒神经网络，该解析模型占用内存极小（仅需存储少量系数），且各项系数具有明确的物理意义（如 $p^2$ 项对应热损耗， $\ln(t)$ 项对应瞬态），便于工程师理解和调试。
通用性与适应性：框架不依赖于特定机器人平台，通过调整物理参数（质量、阻力系数等）即可迁移到不同配置的机器人上。
未来应用：为在线参数自适应（应对电池老化、温度变化）、多机器人协同以及结合强化学习的能量最优控制提供了基础。

总结：本文通过结合物理仿真与 SINDy 算法，成功构建了一个高精度、可解释且计算高效的机器人电池 SOC 预测模型，解决了传统方法在非线性动态建模和泛化能力上的不足，为自主机器人的长期可靠运行提供了关键的理论工具。