El Desafío y la Solución Combinada
Durante gran parte de la
historia reciente del automóvil, la gestión de los motores ha estado basada en
mapas de calibración estáticos: sofisticadas, pero finalmente rígidas, tablas
que determinaban la cantidad de combustible, el avance de encendido o la
presión de sobrealimentación en función de condiciones de operación como la
carga o la temperatura del motor. Estos sistemas, que forman el núcleo de las
tradicionales unidades de control electrónico (ECU), lograron optimizar la
operación de los motores para un amplio espectro de situaciones normales, pero
adolecían de un problema fundamental: la incapacidad de adaptarse a las
condiciones únicas de cada momento, vehículo y conductor.
En respuesta, surgieron
los sistemas de control adaptativo, capaces de hacer ajustes en tiempo
real sobre algunos parámetros operativos basándose en datos de sensores. Sin embargo,
estos primeros sistemas seguían atados a algoritmos diseñados a priori,
incapaces de aprender ni de prever de forma significativa.
La llegada de la inteligencia
artificial (IA), en particular del aprendizaje automático (machine
learning) y del aprendizaje profundo (deep learning), ha permitido
trascender esta limitación. Al integrar IA en la gestión del motor, el sistema
no solo se ajusta a cambios en el entorno o la mecánica, sino que aprende de
la experiencia acumulada para anticiparse, personalizar la respuesta y
optimizar continuamente la operación. Así, nacen los sistemas de control
adaptativo inteligentes: una nueva generación de cerebros vehiculares.
Un ejemplo pionero de
esta transición se encuentra esta vez en los trabajos que se desarrollaron en
el Laboratorio de Motores Térmicos de la Universidad Politécnica de Cataluña,
donde se investigó el uso de redes neuronales recurrentes para predecir en
tiempo real la velocidad futura del vehículo en ciclos urbanos. Esta capacidad
de anticipación, basada en un aprendizaje continuo a partir de datos recientes
de conducción, representa un avance clave hacia sistemas de control motor
verdaderamente inteligentes y personalizados.
Evolución de los Sistemas de Control Adaptativo
La historia de los sistemas
de control adaptativo en automoción puede entenderse en varias fases:
Era necesario un nuevo enfoque que permitiera modelar, interpretar y aprender de un entorno operacional mucho más dinámico y variado.
- Primera generación (Adaptativos básicos): Ajuste dinámico de parámetros como la
mezcla de aire-combustible o el avance del encendido en respuesta a
variables como la temperatura o la altitud.
- Segunda generación (Modelos de autoajuste): Incorporación de algoritmos de
identificación de sistemas que permitían corregir desviaciones por
envejecimiento o desgaste progresivo de componentes.
- Limitaciones tradicionales: Aunque se mejoró la robustez y la
fiabilidad, estos sistemas eran fundamentalmente reactivos: se limitaban a
corregir errores una vez detectados, no a anticiparlos.
Era necesario un nuevo enfoque que permitiera modelar, interpretar y aprender de un entorno operacional mucho más dinámico y variado.
Inteligencia Artificial como Motor del Aprendizaje
La inteligencia
artificial aplicada al control de motores implica un cambio radical: la
adopción de modelos basados en datos para construir dinámicamente la
representación del sistema, en lugar de asumir a priori un modelo teórico.
En términos prácticos, los sistemas de control impulsados por IA:
- Recogen datos en tiempo real de múltiples fuentes: sensores de motor,
sensores ambientales, datos de estilo de conducción, condiciones del
tráfico.
- Procesan e interpretan patrones mediante redes neuronales profundas o
algoritmos de machine learning supervisado y no supervisado.
- Realizan predicciones sobre el estado futuro del motor, las
condiciones de conducción y las preferencias del usuario.
- Ajustan proactivamente parámetros críticos como la respuesta del
acelerador, la gestión térmica, la estrategia de inyección o la
regeneración en motores híbridos o eléctricos.
Esta nueva capacidad de predicción y aprendizaje transforma radicalmente el control del motor, permitiendo una adaptación verdaderamente personalizada y una optimización de ciclo completo que supera por mucho las capacidades de los sistemas convencionales.
Ejemplo de aplicación de la IA en los sistemas de tracción de vehículos
Una predicción continua de la velocidad del vehículo en
los próximos 30 a 60 segundos —especialmente en entornos con constantes
cambios, como los ciclos de conducción urbana— puede mejorar notablemente la
gestión de los distintos tipos de sistemas de tracción. Esto incluye desde
motores térmicos tradicionales hasta motores eléctricos alimentados por
baterías, sistemas híbridos que combinan motor de combustión y eléctrico, o
incluso configuraciones basadas en pilas de combustible de hidrógeno con apoyo
eléctrico.
Dicha predicción podría mejorar la gestión de cualquiera
de las actuales tecnologías de tracción de vehículos existente en la actualidad
o en el futuro y como consecuencia redundaría en una reducción de las emisiones
contaminantes de gases en el caso de los motores de combustión, un alargamiento
significativo de la vida útil de los electrodos en las pilas de combustible o
un alargamiento de la vida útil de las baterías.
Paralelamente, si la predicción resultara suficientemente
buena para el fin indicado y se realizara en base únicamente a un inmediato y
corto histórico de datos de la velocidad del vehículo, se dotaría de máxima
robustez al sistema por la no dependencia de terceros en relación al uso del
GPS-GALILEO-GLONASS y de mapas, como suelen hacer los sistemas de asistencia a
la conducción actuales. Dicha independencia de los sistemas actuales de
navegación podría ser de interés especial en aplicaciones militares o en
aquellas en las que se requiera de un funcionamiento autónomo y sin conexión.
En este sentido en el año 2022 se realizaron trabajos
preliminares en el Laboratorio de Motores Térmicos de la Universidad
Politécnica de Cataluña en la Escuela Técnica de Ingeniería Industrial de
Barcelona destinados al proyecto DOVELAR (Control and energy management of
hybrid fuel cell-based electric vehicles).
A pesar de la limitación temporal del proyecto se
obtuvieron, resultados preliminares muy interesantes, algunos de los cuales se muestran
a continuación. Puede apreciarse las
posibilidades que pueden ofrecer en este campo el uso de redes neuronales
avanzadas para la obtención de la predicción deseada. En la figura 1 se
presenta un ciclo real de conducción urbana en la ciudad de Barcelona en el que
se aprecia la sucesión de transitorios a los que está sometido el sistema de
tracción del vehículo.
Figura1.- Ciclo de conducción urbano obtenido en circulación real en Barcelona con el que se articularon los trabajos del grupo de investigación de la UPC (Laboratorio de Motores Térmicos de la ETSEIB)
En este caso se implementó un método basado en un modelo
de red neuronal recurrente LSTM de tensor Flow. Se adjunta el detalle de la
estructura principal:
# Crear el modelo de
la RNN
model = tf.keras.Sequential([
tf.keras.layers.SimpleRNN(64, input_shape=(window_size, 1)),
tf.keras.layers.Dense(k)])
model.summary()
# Compilar el modelo
model.compile(optimizer='adam',
loss='mse') # Mean Squared Error
# Entrenar el modelo
model.fit(X_train, Y_train, epochs=5,
verbose=2)
model.summary()
Model: "sequential"
Layer (type) Output Shape Param #
===========================================================
simple_rnn (SimpleRNN) (None, 64) 4224
dense (Dense) (None, 60) 3900
===========================================================
Total params: 8,124
Trainable params: 8,124
Non-trainable params: 0
La fiabilidad de los resultados
obtenidos varió en función del horizonte temporal considerado, tal como se
muestra en las figuras siguientes.
El conjunto de datos del ciclo de
conducción se dividió en tres tramos, el primero de ellos con una cantidad
mayoritaria de datos se utilizó para el entrenamiento de la red neuronal, el
segundo conjunto de datos se utilizó para verificar la respuesta del
entrenamiento de la red neuronal, en la figura 2 se puede apreciar la quasi
coincidencia entre el ciclo original en azul y el ciclo predicho en el proceso
de verificación en naranja. Finalmente,
un último grupo de datos se reservaron para comprobar la predicción futura que
sería capaz de realizar la red neuronal y poder compararla con los datos reales
que se le ocultaron al proceso de entrenamiento, la cantidad de datos de éste
último tramo es el horizonte futuro de predicción, que posteriormente en un
funcionamiento normal, se le exigirá a la red neuronal recursivamente dando
lugar a su adaptabilidad.
Figura 2.- Resultado del entrenamiento de la red neuronal, en azul el ciclo real incompleto con el que se entrena a la red, en el grafico de la derecha se aprecia la quasi coincidencia de la verificación con los datos de entrenamiento.
En la figura 3 se muestra el resultado, en verde, de preguntar a la red
neuronal cual será la velocidad del vehículo durante los siguientes 60
segundos, recordemos que los valores reales de dichos 60 segundos son conocidos
pero se le han ocultado a la red durante el proceso de entrenamiento, así la
simulación “futura” de la red podrá ser comparada con los valores reales que
“acontecerán”, tal y como si estuviéramos conduciendo, de este modo se
visualizará el grado de robustez y precisión de la predicción.
Figura 3.- Visualización de los 60 segundos futuros, en verde, predichos por la red neuronal, sólo pendiente de ser comparados con los valores reales
En la figura 4 se ilustran
diferentes predicciones (simulaciones) de la red superpuestas con los datos
reales, visualmente ya se observa que el error es suficientemente pequeño como
para no apreciarse en el gráfico desviación significativa.
Figura 4.- Tres simulaciones comparadas con los datos reales (inputs)
Estos resultados preliminares
indicaron la viabilidad del método para la predicción futura de series
temporales, del ciclo de conducción en este caso, para horizontes cortos, pero
de más de una muestra predicha.
El método es, posiblemente, de
aplicación a procesos con transitorios con patrones múltiples y ocultos, en el
caso del ejemplo los condicionantes ocultos serian: el estilo de conducción del
piloto en el momento, el tipo de vía (urbana con semáforos) así como el grado
de congestión de la vía, entre otros.
En el caso presentado los
condicionantes indicados podrían cambiar, cambio de vía, cambio de la densidad
de tráfico, cambio de conductor o su estado, etc., por lo que la red neuronal
debería funcionar con un entrenamiento a partir de una serie corta de datos, un
histórico reciente y corto, debiéndose repetir el entrenamiento de forma
recursiva dotando al sistema de autoadaptabilidad.
Más Allá del Ejemplo: Ampliando el Impacto de la IA en el Control
Vehicular
La sinergia entre control
adaptativo e inteligencia artificial no se limita al control de crucero. Algunas
aplicaciones emergentes incluyen:
- Optimización energética en vehículos
eléctricos: Adaptar la entrega
de potencia y la regeneración según la dinámica real de conducción.
- Gestión térmica predictiva: Anticipar la necesidad de refrigeración
del motor o de la batería en función de patrones de conducción y
condiciones ambientales.
- Diagnóstico predictivo: Detectar fallos incipientes en sensores,
inyectores, turbocompresores o baterías de alta tensión antes de que
provoquen averías críticas.
- Adaptación de la dinámica de conducción: Ajustar de manera continua parámetros de
suspensión, dirección y frenado regenerativo en función del estilo y
preferencias del conductor.
En el contexto europeo,
donde las regulaciones sobre emisiones se vuelven cada vez más estrictas y se
impulsa el avance hacia la movilidad eléctrica y autónoma, la IA aplicada al
control de vehículos será un elemento diferenciador clave. España, gracias a
sus centros de investigación y su industria automotriz, tiene la oportunidad de
posicionarse como actor relevante en este campo emergente.
Consideraciones Críticas: Desafíos, Riesgos y Oportunidades
Si bien las posibilidades
son enormes, también existen desafíos que no deben subestimarse:
- Robustez de los Algoritmos: Los sistemas deben demostrar una capacidad
de aprendizaje continua sin derivar en comportamientos erráticos o no
seguros.
- Privacidad de Datos: El registro de patrones de conducción
plantea importantes cuestiones sobre la privacidad y la gestión de datos
personales.
- Validación Extrema: Antes de su adopción masiva, estos
sistemas deben superar rigurosas pruebas que contemplen todas las
condiciones posibles de uso, incluyendo fallos de sensores o condiciones
ambientales extremas.
- Aceptación del Usuario: Para que estas tecnologías triunfen, no
basta con que funcionen bien: deben transmitir confianza, ser
interpretables y predecibles para el conductor.
En última instancia, el
éxito de los sistemas de control adaptativo basados en IA dependerá tanto de la
calidad técnica de los algoritmos como de la gestión ética, regulatoria y
comunicacional de su adopción.
Transformación Digital en Automoción: Otras iniciativas Aplicación de IA
La integración de la
Inteligencia Artificial (IA) en el sector automovilístico ha impulsado también
otras iniciativas pioneras que redefinen la eficiencia, la seguridad y la
experiencia del usuario.
Estos son algunos
ejemplos: Empresas como Tesla han
desarrollado sistemas de conducción autónoma bajo el proyecto Autopilot/Full
Self-Driving (FSD), empleando redes neuronales profundas para procesar datos en
tiempo real y optimizar decisiones críticas en la carretera. BMW, por su parte,
aplica IA en el proyecto Digital Twin for Production Lines para crear gemelos
digitales que simulan y optimizan procesos de fabricación, anticipando fallos y
mejorando la productividad. Ford colabora con PTC en soluciones de
mantenimiento predictivo (Predictive Maintenance ), analizando datos de
sensores mediante algoritmos de machine learning para reducir tiempos de inactividad
en flotas de vehículos. Waymo, subsidiaria de Alphabet, ha llevado la
conducción autónoma a niveles avanzados con su sistema Waymo Driver , que
fusiona IA con datos de LiDAR y cámaras para predecir movimientos de peatones y
otros vehículos en entornos complejos. Daimler AG, bajo el proyecto MBUX
(Mercedes-Benz User Experience) , integra asistentes de voz inteligentes que
aprenden preferencias del conductor, adaptando funciones como climatización o
rutas en tiempo real.
Estas iniciativas
reflejan cómo la IA no solo mejora la operación técnica de los vehículos, sino
que también impulsa una movilidad más sostenible, personalizada y conectada,
consolidando al sector automotriz como un campo clave en la revolución
tecnológica actual.
Conclusión: Hacia un Futuro de Vehículos Inteligentes, Adaptativos y
Humanos
La combinación de control
adaptativo e inteligencia artificial está inaugurando una nueva era
en la automoción: la de los vehículos que no solo se adaptan, sino que
también aprenden, predicen y colaboran con el conductor.
Casos como la
investigación desarrollada por el Laboratorio de Motores Térmicos de la
Universidad Politécnica de Cataluña demuestran que ya no estamos limitados a
ajustar el motor únicamente a variables ambientales. Hoy, es posible anticipar
el comportamiento del vehículo en función de patrones recientes de conducción,
adaptando su respuesta de forma personalizada y dinámica, sin comprometer la
seguridad.Esta revolución
tecnológica no solo promete motores más eficientes y limpios, sino también una
conducción más personalizada, cómoda y humana. No obstante, el desafío de
garantizar la fiabilidad, la seguridad y la privacidad será tan importante como
el propio avance técnico.
Los motores del futuro
serán cerebros dinámicos, compañeros inteligentes que aprenderán de
nosotros y evolucionarán con nosotros, impulsando una movilidad más sostenible,
eficiente y centrada en las personas.
No hay comentarios:
Publicar un comentario