Come può un'intelligenza artificiale migliorare il controllo dei veicoli pesanti?

Le macchine agricole, i bulldozer e i trattori usano una trasmissione idrostatica (HST) per trasformare la potenza del motore in movimento. Il “ciclo” della HST, cioè la lunghezza del suo pistone, deve essere controllato con precisione per risparmiare energia e adattarsi a terreni variabili. Tradizionalmente, gli ingegneri usano un controllore predittivo a più modelli (MPC), che calcola in anticipo la migliore azione da compiere. Ora, un team di ricercatori ha creato un nuovo controllore basato su una rete neurale artificiale (ANN) che imita il comportamento dell'MPC.

Durante i test, l'ANN ha dovuto seguire traiettorie di ciclo complesse, sia per la regolazione primaria (potenza) che secondaria (velocità), affrontando disturbi reali come variazioni di coppia del motore e carichi dovuti al suolo. I risultati mostrano che l'ANN è più robusta al rumore bianco, meno sensibile a errori di modello e richiede meno calcoli rispetto all'MPC. Inoltre, la sua architettura multi‑input‑multi‑output lo rende adatto a sistemi complessi come le HST.

In pratica, questo significa che i veicoli pesanti potrebbero diventare più efficienti, consumare meno carburante e reagire più rapidamente a cambiamenti improvvisi del terreno, il tutto grazie a un algoritmo di intelligenza artificiale più semplice e veloce da implementare in tempo reale.

Il modello matematico della trasmissione idrostatica è tipicamente non lineare e varia nel tempo a causa delle dipendenze dalla viscosità del fluido, dalla pressione di carico e dalle condizioni di scorrimento del pistone. L'MPC utilizza una serie di modelli lineari localizzati, ciascuno valido in un sotto‑spazio dello stato, per prevedere l’evoluzione del ciclo e ottimizzare una funzione di costo che penalizza deviazioni dalla traiettoria desiderata e l’uso eccessivo di energia. Tuttavia, la necessità di risolvere un problema di programmazione quadratica ad ogni passo di campionamento rende l'MPC computazionalmente oneroso, soprattutto per sistemi MIMO con alta frequenza di aggiornamento.

L'ANN proposta è una rete feed‑forward a più strati, addestrata offline con dati generati dal simulatore dell'HST sotto diverse condizioni operative (variazioni di coppia motore, carichi variabili, rumore bianco). L’addestramento utilizza l’algoritmo di retropropagazione con regolarizzazione L2 per evitare over‑fitting. Una volta addestrata, la rete fornisce direttamente il valore di comando del ciclo in base allo stato corrente (pressione, velocità, coppia) senza risolvere un problema di ottimizzazione.

Le simulazioni Processor‑in‑the‑Loop (PIL) hanno mostrato che l'errore medio quadratico (RMSE) tra la traiettoria di riferimento e quella ottenuta dall'ANN è inferiore del 12% rispetto all'MPC, con un tempo di calcolo per ciclo ridotto del 78%. Inoltre, l'ANN mantiene la stabilità anche quando il modello di sistema è perturbato del ±15% rispetto al modello nominale, dimostrando una buona robustezza a incertezze parametriche. Queste caratteristiche suggeriscono che l'ANN può essere implementata su microcontrollori a bassa potenza, aprendo la strada a controlli in tempo reale più efficienti per veicoli pesanti.