高効率なトルク制御で電動車両の高速安定性を向上
電動モビリティの急速な進化の中で、パフォーマンスと安全性が最優先される中、分散型電動車両（DEV）が高速走行時のコーナリングをどのように処理するかを再定義する可能性を秘めた新たな制御戦略が登場した。西安建築科技大学の研究者たちは、車両の安定性を高め、エネルギー消費を削減し、特に厳しい条件下での走行安全性を向上させるために設計された、先進的なトルクベースの電子式デファレンシャル制御システムを発表した。
世界の自動車産業が電動化へと加速する中、各車輪に独立したホイールモーターを搭載する分散型電動車両（DEV）は、卓越した機敏性、精密なトルク制御、そして機械的なシンプルさにより注目を集めている。従来の内燃機関車両や集中型の電動ドライブトレインとは異なり、DEVは各車輪への動力配分を個別に制御するという前例のない柔軟性を提供する。この能力は、車両ダイナミクスに大きな影響を与える高度な電子デファレンシャル戦略の扉を開く。
しかし、速度を基準とする従来の電子デファレンシャル制御戦略には、特に高速走行時に限界があることが明らかになっている。これらのシステムは一般的にアッカーマン・ステアリングモデルに依存し、コーナリング時の理想的な車輪速度を計算する。このモデルはシンプルで直感的だが、タイヤと路面の相互作用、荷重移動、横方向力といった重要な非線形要因を無視し、車両を剛体として扱う。その結果、低摩擦路や急激な回避操作（ダブルレーンチェンジテストなど）のような厳しい状況下では、限界を超えると安定性を維持できなくなることが多く、実際の挙動が理想モデルから大きく逸脱してしまう。
こうした課題に直面して、西安建築科技大学機械電気工学部の趙南南博士と史博氏は、二層構造のトルク配分制御フレームワークという新たなアプローチを開発した。彼らの研究は『航空宇宙工学のための機械科学と技術』誌に掲載され、人工知能と最適化理論を組み合わせることで、より優れたハンドリング性と効率性を実現する堅牢なソリューションを提示している。
この革新の核心は、速度中心の制御ロジックから脱却し、制御変数として「トルク」そのものに注目することにある。この視点の転換により、システムは車両のヨーモーメント（垂直軸を中心とした回転力）に直接影響を与えることが可能になる。ヨーモーメントは、コーナリング時の方向安定性を維持する上で極めて重要である。リアルタイムで追加のヨーモーメントを計算し適用することで、制御システムは不安定性が顕在化する前に、車両の挙動の逸脱を能動的に修正できる。
この戦略の中心となるのは、二層構造の制御アーキテクチャである。上層の制御器は、遺伝的アルゴリズム（GA）で最適化されたバックプロパゲーション（BP）ニューラルネットワーク（GA-BP）を採用し、必要な補正ヨーモーメントを決定する。ニューラルネットワークは、複雑で非線形なシステムをモデル化する強力なツールである。しかし、学習の収束が遅く、初期パラメータに敏感という課題がある。研究チームは、この問題を克服するために、生物模倣型の最適化手法である遺伝的アルゴリズムを統合した。このハイブリッドアプローチにより、ネットワークの重みと閾値が事前に調整され、学習プロセスが高速化され、予測精度が向上する。その結果、システムは動的な走行状況に迅速かつ信頼性高く対応できるようになる。
下層の制御器は、二次計画法（Quadratic Programming）を用いて、4つの車輪に駆動トルクを配分する。この数学的最適化手法は、タイヤの作業負荷を最小限に抑えつつ、路面摩擦やモーターの出力能力といった物理的な制限を尊重する形で、トルク配分を保証する。タイヤを最適なグリップ範囲内で運用することで、システムは高い横方向力の余力を維持し、スリップや制御不能の回避に繋がる。
このアプローチの主要な利点の一つは、車両のダイナミクスがリアルタイムで変化する点を考慮できることにある。コーナリング中、車体の重量は内輪から外輪へと移動し、各タイヤにかかる垂直荷重が変化する。提案された制御システムは、これらの荷重変動を継続的に監視し、それに応じてトルク配分を調整する。これにより、安定性が向上するだけでなく、転がり抵抗や全体的なエネルギー要求も低減される。
彼らの戦略を検証するために、研究チームは業界標準の車両ダイナミクス解析ツールであるCarSimとSimulinkを用いた共同シミュレーションを実施した。テストシナリオは、摩擦係数0.5の路面（濡れた路面を模擬）で時速90km/hでの高速ダブルレーンチェンジ操作であった。この種のテストは、車両の過渡応答と安定性制御性能を評価するために広く用いられている。
その結果は説得力があった。新しいトルクベース制御システムを搭載した車両は、理想軌道からの逸脱が6.24%だったのに対し、従来の等トルク配分システムでは17.47%の逸脱が見られた。これは、車両が想定された走行ラインに大幅に近づき、緊急回避操作中に隣接車線に侵入するリスクを低減できたことを意味している。
さらに重要なのは、安定性のキーメトリックに対する制御性が劇的に向上した点である。重心の横滑り角（車両の進行方向と実際の向きの間の角度）のピーク値は、3.35°からわずか0.73°にまで低下した。これは実に89%近い削減であり、車両の後部が外側にスライドし始める「アンダーステア」や「オーバーステア」の兆候である横滑り角を、±2.5°以内に抑えることで、車両が予測可能で制御可能な状態を保つことを保証している。
同様に、車両が中心の周りを回転する速度であるヨーレートも、理想的なリファレンスモデルに近づいた。制御された車両は、ベースシステムで見られた急激な変動を避け、より滑らかで一貫性のあるヨー挙動を示した。これは、経験の浅いドライバーでも突然のアンダーステアやオーバーステアに対処しやすい、より安定した自信のある走行体験に繋がる。
また、システムのエネルギー効率への影響も顕著だった。シミュレーションでは、駆動モーターの総エネルギー消費量が8.2%削減され、106,710ジュールから97,930ジュールとなった。この削減は主に二つの要因から生じている。第一に、インテリジェントなトルク配分により、不要なホイールスピンやスリップによるエネルギーの無駄遣いが最小限に抑えられること。第二に、システムがコーナリング中に速度をわずかに調整することで、空気抵抗と転がり抵抗を低減できることである。8.2%という数字は控えめに見えるかもしれないが、電動車両においては、一ワット時（Wh）でも貴重であり、このような節約は航続距離の延伸やバッテリーの劣化抑制に直結する。
さらに、この制御戦略は、直進走行とコーナリングの間のスムーズな遷移を可能にする。コーナリング中に一定の高速を維持して（それにより横方向力が増大し、シャシーを不安定にする）走行するのではなく、システムは能動的に速度を安全なレベル（テストでは約87〜88km/h）まで低下させ、その後操作完了後に再び目標速度まで加速する。この適応的な速度管理は、物理学の遵守以上の意味を持ち、安全性を最優先しつつパフォーマンスを犠牲にしない、より人間らしいスマートな運転スタイルを反映している。
工学の観点から見ると、AIと最適化技術の統合は、車両制御システムにおける大きな一歩前進である。信頼性の高いPIDコントローラーでさえ、広範なチューニングを必要とし、非線形性への対応に苦労する。ファジィロジックやスライディングモード制御も代替案として検討されてきたが、それぞれ複雑さや「チャタリング」（制御出力の微小な振動）という課題を抱える。GA-BPニューラルネットワークアプローチは、実際の走行シナリオから学習し、手動での再校正なしに変化する状況に適応できる、データ駆動型の代替手段を提供する。
CarSimが生成した、従来の機械式デファレンシャルを搭載した車両のシミュレーションデータを学習データとして用いることで、モデルの実用性がさらに強化されている。よく理解されたリファレンスシステムの挙動を模倣することで、ニューラルネットワークはステップ入力、サイン波ステアリング、回避操作など、幅広い走行状況にその学習を一般化することができる。
この研究で最も過小評価されがちな側面の一つは、内部のパワーロスを最小化しようとする取り組みである。独立したホイールモーターを備えたフルタイム4WDシステムでは、「循環電力」というリスクがある。これは、車両の両側に同時にトルクが適用され、互いに打ち消し合う対向力が生じ、エネルギーを浪費する状態である。二次計画ソルバーは、前後アクスル間のトルク差を制限することで、これを明示的に考慮し、ドライブトレインの効率を向上させている。
この包括的なアプローチ——安定性、エネルギー使用、機械的効率のバランスを取ること——は、持続可能な交通のより広範な目標と完全に一致している。世界中の都市がよりグリーンなモビリティソリューションを推進する中、バッテリー寿命を延ばし、充電頻度を減らす技術はますます価値を持つだろう。さらに、安定性の向上は事故の減少、保険料の低下、そして自動運転システムへの信頼性向上にも繋がる。これらのシステムは多くの場合、同様の制御アーキテクチャに依存している。
この研究の意義は、乗用車に留まらない。同じ原理は、トラクションと安定性が極めて重要な電動バス、デリバリーバン、さらにはオフロード車両にも応用可能である。都市交通分野では、より滑らかなコーナリングは乗客の不快感とインフラの摩耗を軽減する。物流フリートでは、効率の向上は直接的に運用コストの削減とカーボンフットプリントの低減に繋がる。
将来を見据えると、次のフロンティアは、この制御戦略を高度運転支援システム（ADAS）や車両間・インフラ間通信（V2X）と統合することにある。スマートインフラストラクチャーからリアルタイムの道路状況を受信し、滑りやすいカーブに入る前にトルク配分を予防的に調整する未来を想像してほしい。あるいは、複数の電動車両がそのハンドリング特性を協調し、高速で緊密な隊列走行を維持するシナリオも考えられる。
現在の研究はシミュレーションに基づく検証に焦点を当てているが、次の論理的なステップはハードウェア・イン・ザ・ループ（HIL）テストと実走行試験である。GA-BPニューラルネットワークと二次計画ソルバーの計算負荷は、現代の自動車用ECU（電子制御ユニット）の処理能力と比較して評価される必要がある。幸いなことに、組み込み型AIチップとリアルタイムOSの急速な進歩により、このようなアルゴリズムを量産車に搭載することは、ますます現実的になりつつある。
また、この制御戦略が、現代のほとんどの車両に既に搭載されているセンサー以外の追加センサーを必要としない点も注目に値する。ステアリング角、車両速度、ヨーレート、横加速度といった標準的な入力に依存しており、これらはすべて電子安定性制御（ESC）システムによって routinely 測定されている。この既存ハードウェアとの互換性は、技術のスケーラビリティとコスト効率を大幅に高める。
要するに、趙氏と史氏の研究は、電動車両のダイナミクス分野における意義深い進歩を示している。電子デファレンシャル制御の根本を再考し、最新の計算手法を採用することで、より安全で効率的であり、かつ熟練した人間のドライバーの自然な挙動にも近づいたシステムを構築した。自動車産業が電動化と自動化への移行を続ける中、このような革新がモビリティの未来を形作る上で不可欠な役割を果たすだろう。
彼らの知見は、古典的な機械工学と最先端の情報技術の融合が、車両性能の新たな可能性を切り開いているという広範なトレンドを強調している。より速く、より強力な車を作るだけでは不十分である。今や、よりスマートで、より反応性が高く、環境やドライバーと調和した車両を作ることが、新たな挑戦なのである。
エンジニア、政策立案者、そして消費者の皆様にとって、この研究は、電動車両が内燃機関車を単に置き換えるのではなく、パフォーマンス、安全性、持続可能性のあらゆる側面でそれを上回る未来への一瞥を提供している。
趙南南，史博. 分布式电动汽车转矩型电子差速控制策略研究. 机械科学与技术 for Aerospace Engineering, 2024. DOI: 10.13433/j.cnki.1003-8728.20230085