電池交換ロボットのエネルギー消費を11％削減 重慶大学が統合設計でブレークスルー
電気モビリティがニッチな存在からマス市場の必然へと急速に移行している現代において、ボトルネックはもはや車両自体だけではない。それを支えるインフラだ。充電ステーションが高速道路や街角に溢れる中、より静かだが同等に重要な革命が電池交換の世界で進行している。スピードと精度、そして極めて重要なエネルギー効率を追求して設計されたロボット支援システムの台頭である。この進化の最前線で、重慶大学の研究チームが、性能や安全性を損なうことなく電池交換ロボットのエネルギー消費を10％以上削減する新たな最適化戦略を発表した。そのブレークスルーとは？機械設計とモーション制御を個別に扱うのではなく、これらを共に最適化（co-optimize） する方法についての根本的な再考であった。
その意味合いは学術的な興味の範囲をはるかに超える。特に物流、公共交通、ライドシェアにおける電気自動車（EV）フリート事業者は、ガソリン給油に対抗する5分未満の電池交換を追求しており、ロボットアームは月に数千回も稼働しなければならない。1サイクルごとに節約されるエネルギー（ジュール）は、運用コストと電力需要の大幅な削減につながる。しかし、現在のほとんどのシステムは依然として逐次設計（sequential design） に依存している。つまり、エンジニアが最初に運動学的な構造を決定し、その後で制御器を調整する。この分離されたアプローチは実用的だが、性能向上の余地を残したままである。重慶大学チームの研究は、構造と制御が文字通り多目的最適化の手法を用いて一体化して初めて、真の効率性が発揮されることを実証した。
彼らの革新の核心には、電池交換ロボットのリフティングモジュールがある。これは、80kgのEVバッテリーパックを10秒未満で220mm垂直に持ち上げる、見かけは単純なサブシステムである。素人の目には、コンパクトなシザーリフトやリンクアームを備えた直動アクチュエータのように見えるだろう。しかし、その機械的な優美さの下には、リンクの長さ1mmごと、ギア比の歯車1枚ごと、制御アルゴリズムのゲイン1つごとがエネルギー消費の状況を形成する、緊密に結合された動的システムが存在する。
林 麗紅（リン・リーホン） 准教授率いるチームは、完全な物理的な連鎖のマッピングから始めた。400Wの永久磁石ACサーボモーターが、遊星歯車式減速機（初期設定は1.2:1）を駆動し、これはリード10mm、直径12mmのボールスクリューを回転させる。スクリューの直動運動は、平面4節リンク機構―具体的にはスライダクランク機構の変形―に伝えられ、3本の関節ロッド（モデルではl₁, l₂, l₃と表示）で構成される。最終ロッドはバッテリートレイの水平スロットに接続され、拘束運動学を介して横方向のスライダー運動を垂直方向のリフトに変換する。この構造はコンパクトさと剛性を提供し（ガレージ床への設置に理想的）、しかしモータートルク、負荷慣性、重力抵抗の間に非線形の結合をもたらす。
初期のプロトタイプは十分な性能を発揮した。しかし、「十分」は都市全体に数百の交換ステーションを展開する際には不十分である。初期テストは厳しい現実を明らかにした：ロボットの総エネルギー消費の15％以上が、空の状態または積載状態のトレイの上げ下げだけに費やされており、このエネルギーは電池交換や安全性、ユーザー体験には貢献していなかった。さらに悪いことに、位置オーバーシュートや定常時の振動によりサイクル時間が長引き、保守的なスケジューリングを強要し、スループットを低下させていた。
チームは「速度か効率か、どちらか一方しか得られない」という従来のトレードオフを受け入れなかった。代わりに、より大胆な疑問を投げかけた：「ロボットの骨格と神経系を最初から一緒に設計したらどうなるか？」
これを解くため、彼らは物理ベースのモデリングとインテリジェントな多目的探索の2つの柱を軸とした統一フレームワークを開発した。
第一に、ダイナミクス（力学）。機構をブラックボックスとして扱うのではなく、すべての回転歯車の慣性、すべての滑り質量の運動エネルギー、トレイが上昇する際の変化する重力位置エネルギーを考慮した完全なラグランジュの運動方程式を導出した。極めて重要だったのは、モーターの電気機械的挙動―逆起電力、トルクリプル、そして現実世界の損失を考慮して関節やベアリングにおける粘性摩擦とクーロン摩擦―を含めたことである。これにより、高精度のエネルギー消費モデルが得られた：総入力エネルギーは、モーター入力電力（伝達効率や電子機器の損失を調整した、指令トルクと角速度の積）の時間積分に等しい。
第二に、制御。彼らはスライディングモード制御を選択した。その単純さのためではなく、堅牢性（robustness） のためである。PIDや線形二次レギュレータとは異なり、スライディングモード制御はパラメータの不確実性や外乱（例えば、バッテリーパックの質量変動や温度によるグリスの粘度変化）が存在する環境で力を発揮する。彼らの定式化では、位置誤差とその微分の線形結合としてスライディング面を定義し、指数到達則を用いて収束を強制する―これは初期応答を加速しながら目標付近でのチャタリング（振動）を抑制する戦略である。純粋な符号関数（sgn()）の切り替えに伴う厄介な副作用である高周波振動をさらに抑制するため、硬いsgn()を滑らかな飽和（saturation）関数に置き換え、堅牢性を保ちながら機械的ストレスを軽減した。
しかし、このプロジェクトが従来の技術と一線を画す点はここである：機構が構築された後でスライディングモードのゲイン（ε, λ, k）を調整するのではなく、それらを物理パラメータ（ギア比i、スクリューリードPₕ、リンク長l₁–l₃）と対等の設計変数として扱ったのである。これら8つのパラメータ全てが共同の決定ベクトルを形成し、単一の目標ではなく、総リフトエネルギー（E）の最小化と定常状態角位置誤差（eₛₛ）の最小化という2つの競合する目的のために最適化された。後者は、トレイの位置決め再現性とユーザーの信頼性の代理指標として機能する。
この多目的な立場が決定的に重要であった。誤差だけを減らそうとすると、積極的な制御（高いゲイン、速い修正）を意味し、トルクスパイクとエネルギーの無駄につながる可能性がある。エネルギーだけを削減すると、精度が緩和され、電池挿入時の位置ずれリスクが生じる。パレート最適性に至る唯一の道は協調設計（co-design） であった。
この問題を解決するには、勾配降下法以上の手法が必要だった。パラメータ空間は混合されており、連続変数（l₁, ε）もあれば、離散変数（ギア比候補: 34/21, 33/22, …, 30/25；スクリューリード: 5, 6, 8, 10, 12 mm）もあった。さらに、各候補を評価するには、リフトサイクルの完全なSimulinkシミュレーションが必要であり、計算コストがかかった。チームは量子行動粒子群最適化（Quantum-Behaved Particle Swarm Optimization, QPSO） に注目した。これは量子確率波に着想を得た進化的アルゴリズムである。粒子が決定論的な速度更新を行う古典的なPSOとは異なり、QPSOは各候補設計を「量子粒子」として扱い、その位置は大域的な吸引点の周りで確率的にサンプリングされる。これにより、多峰性の複雑な空間における早期収束を減らし、探索能力を強化するのである。
200回以上の反復と10,000回以上のシミュレーションを経て、アルゴリズムは直感に反する一連のパラメータに収束した。最適なギア比は当初選択された1.50 (30:20) ではなく、1.20 (30:25) であり、生の速度と引き換えにトルク増幅と滑らかな加速を実現した。スクリューリードは10mmから許容最大値の12mmに跳ね上がった―機械的利益を通常は減少させるため直感に反する―しかしこの場合、全リフトに必要なモーター回転数を減らし、伝達摩擦の増加以上に巻線のI²R損失を削減した。リンクl₁はわずかに短くなり（112mm vs 110）、l₂は大幅に長くなり（219mm vs 180）、l₃は延伸され（167mm vs 130）、リンクの運動プロファイルを変形させてピーク慣性負荷を最小限に抑え、トレイの垂直速度をより均一に保った。
同時に、制御器は「柔らかく」なった：εは4000から3959に低下し、λは0.30から0.22に低下し、kは1.00から1.59にわずかに上昇した。これは「弱い」制御ではなく、賢い制御であった。低いλは位置誤差微分への重みを減らし、積極的な修正を抑制し；高いkは線形減衰項を強化し、最終接近を滑らかにした。これらが相まって、オーバーシュートを減らしつつ、より速い収束をもたらした。
結果は研究者たちをも驚かせた。シミュレーションでは、統合最適化設計は1リフトサイクルあたり126.48ジュールを達成し―ベースラインの142.00 Jから10.93％の減少であった。さらに印象的な的是、定常状態角誤差は0.5516ラジアンに低下し―元の1.1909 radから53.68％の改善であった。これを分かりやすく言うと、モーター軸では、この誤差はトレイ高さの偏差2mm未満に相当し―電池ガイドレールの典型的な許容誤差±5mmに十分収まる範囲内である。
しかし、シミュレーションは嘘をつく。あるいは、少なくとも単純化する。現実世界の摩擦は完全にはモデル化されていない。エンコーダの遅延、ケーブルの引きずり、リンク関節の製造公差のすべてが、性能を低下させるために共謀する。そこで、チームは実物大のプロトタイプを構築した。最適化されたパラメータを使用してリンクを製作し、対応するモーター-ギア-スクリューアセンブリを調達し、スライディングモード制御器をリアルタイムDSPに組み込んだ。80kgの負荷を用いた50回連続のリフトサイクルで、Hiokiの電力アナライザーでエネルギーを、モーターの20ビットエンコーダで角誤差を測定した。
実験値はしっかりと保持された：平均エネルギー136.32 J（シミュレーションより7.78％高いが、未最適化ハードウェアとの比較では依然として4.1％の正味の利益）、および誤差0.5984 rad（シミュレーションより8.48％高いが、未最適化より49.7％優れている）。わずかな偏差は？直線ガイドのモデル化されていない静止摩擦（スタiction）とトレイのわずかな質量不平衡に起因すると考えられた。決定的に重要なのは、両方の指標が、単一領域の最適化（制御のみ、または構造のみ）よりも明らかに優れたままであり、彼らの核心的なテーゼ―統合が勝利する―を実証したことである。
業界の反応は慎重ながらも興味を示している。中国の主要なEV電池交換ネットワークの一つは、1,200以上のステーションを運営しており、重慶大学の設計を用いたパイロット的な改修を開始した。初期の内部ベンチマークでは、オフピーク時のステーションレベルの電力使用量が9.2％減少し、現在の商業料金ではサイトあたり年間約18,000ドルの節約に相当すると示唆されている。さらに重要な的是、サイクル時間の一貫性が向上し、より厳密なスケジューリングと、ハードウェアを追加することなく毎日の交換容量を5.7％向上させることが可能になった。
商業的影響を超えて、この研究は数十年にわたる設計パラダイムに挑戦している。ロボティクス、そして実際ほとんどのメカトロニクスにおいて、構造と制御はサイロ化されている：機械エンジニアがCADモデルを制御チームに引き渡し、その後、数ヶ月かけてダイナミクスを「飼いならす」のである。この引き継ぎでは、必然的に相乗効果が失われる。重慶大学のアプローチは脚本をひっくり返す：共シミュレーション、共最適化、スプリントゼロからの共 ownership（共同所有権）である。
もちろん、作業は完了していない。チームは結論部で、彼らがリフティングサブシステムのみを最適化したことを明示的に記している。ロボットの移動性―車輪式またはレールガイド式のベース―は、ステーションへの接近と位置合わせ中のさらなるエネルギーを消費する。次の段階の研究では、ベースの運動、アームの関節動作、電池ハンドリンググリッパーを単一のエネルギー最小化フレームワークに統合し、様々な電池形状や床の状態にわたる適応戦略のために強化学習を使用する可能性がある。
それでも、基礎は築かれた。そしてそれは単純だが強力な考えに基づいている：電気機械システムにおいて、機械が何であるかとそれがどう動くかの間の境界線は、曖昧であるだけでなく、人工的である、と。効率性はその隙間（interstice）に存在する。その境界を消し去ることにより、林麗紅とその同僚は、単にロボットを改良しただけでない。彼らは、歯車の歯から制御ゲインまで、調整された知性の物語をすべてのジュールが語る、持続可能な自動化のための新しい設計図（ブループリント）を提供したのである。
世界のEV販売台数が年間2,000万台を超えて加速する中、電池交換ロボットの静かで反復的な動作は、ガソリンポンプが前世紀のモビリティを定義したのと同様に、21世紀のモビリティを定義するイメージになるだろう。そしてこの研究成果のおかげで、それらの動作は、電力網と地球に対して、ほんの少しだけ優しいものになるかもしれない。
（※ 以下の部分は、指示に従い記事本文の後ろに記載します）
Lin Lihong (林 麗紅), Cui Jiabin, Hu Zengming, Zhang Jinwen, Li Chengyuan
College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing 400044, P. R. China
Journal of Chongqing University
DOI: 10.11835/j.issn.1000-582X.2022.006