Computer vision based path tracking for a small-scale electric truck model with dynamic or static wireless charging

Abstract

Fossildrevet tungtransport genererer betydelige utslipp av NOx og klimagasser som CO2. I Norge forventes tungtransport å øke med 65 prosent innen 2050, men Norge har som mål å redusere klimagassutslippene med 80 til 95 prosent innen 2050. Elektrifisering av tungtransport vil redusere NOx og klimagassutslipp betydelig. Elektriske lastebiler har vanligvis Li-ion batteripakker med en kapasitet på 100-300 kWh, og det er utfordrende å lade en så massiv batteripakke på rimelig kort tid. For å elektrifisere tungtransport er alternative lademuligheter for batteriene avgjørende for en gjennomførbar løsning.

Trådløs effektoverføring fra en vei er et alternativ til de konvensjonelle plugg-baserte ladestasjonene som fungerer i dag for lading av batteri-elektriske biler. Nyere teknologiske fremskritt har gjort en slik løsning praktisk mulig med induktiv ladeteknologi. Det er mange fordeler for applikasjoner for trådløs lading, slik som at det ikke er behov for et mekanisk støpsel, noe som gjør den mer mekanisk robust og mer tilgjengelig for automatisk lading uten manuelle inngrep. En presis overlapping av spoler i trådløs induktiv lading er avgjørende for en effektiv ladesyklus. Det er her kombinasjonen av autonom kjøring og trådløs lading virker som en perfekt kombinasjon. Ved bruk av en rekke sensorer kan autonome kjøretøysystemer holde en presis posisjon for et elektrisk kjøretøy med centimeterpresisjon.

SINTEF har brukt en 1:14 skalert elektrisk lastebilmodell med et tilhørende trådløst induktivt ladesystem for å demonstrere denne teknologien i mindre skala. Tidligere studenter ved NTNU har utviklet autonome kjøretøysfunksjoner for lastebilmodellen og Bluetooth-kommunikasjon med ladestasjonen. Det er fremdeles rom for forbedringer, og denne studien har bidratt til arbeidet med å nå en mer stabil og robust autonom datasynsbasert banesporing for å oppnå en mer effektiv ladesyklus. Et tilbakemeldingssignal ble mottatt ved å koble til det interne potensiometeret ved servoen som betjener styringen. Deretter ble en lukket-sløyfe PID kontroller implementert. I tillegg er det montert et nytt kamera øverst på førerhuset på lastebilmodellen som er kombinert sammen med et eksisterende kamera for å oppnå et større deteksjonsområde. Synsfeltet er utvidet fra 30 - 100 cm til 0 - 100 cm foran lastebilmodellen. Skarpe hjørner kunne tidligere overses, og disse forbedringene ga en mer presis styring.

Det er laget en bane for testing, som inkluderer ladestasjonen for lastebilmodellen. Lastebilmodellens posisjon er logget med både en IMU og LiDAR for å gi en visuell visning av forbedret autonom kjøring. En ny funksjon er implementert for å aktivere og deaktivere ladestasjonsspolene i en nøyaktig posisjon. Det er utført forskjellige tester for å finne en optimal ladesyklus med aktivering og deaktivering av spolene ved ladestasjonen i forskjellige posisjoner. Nullpunktet brukes som startpunkt, som er den nøyaktige posisjonen der spolene begynner å overføre og motta effekt. Resultatet av testene viser at en nullpunktaktivering nådde den høyeste overførte energien ved 66 prosent effektivitet, men en 5 cm kortere aktivering av nullpunktet ga en samlet høyere effektivitet på 67 prosent. En mulighets-lading system er implementert for å teste statisk trådløs lading der en av de rektangulære vegspolene er byttet med en kvadratisk spole. Med en statisk løsning ble den høyeste effektiviteten nådd, ved 80 prosent effektivitet. Dette utgjør i gjengjeld ingen tilbakelagt avstand under lading.

Fossil-fueled heavy freight transport generates significant emissions of NOx and greenhouse gases such as CO2. In Norway, heavy freight transport is expected to increase by 65 percent within 2050, but Norway aims to reduce greenhouse gas emissions by 80 to 95 percent within 2050. Electrifying heavy freight transport will significantly reduce NOx and greenhouse gas emissions. Electric trucks usually feature Li-ion battery packs with a 100-300 kWh capacity, and charging such a massive battery pack in a reasonably short time is challenging. For electrifying heavy freight transport, alternative charging opportunities for the batteries are essential for a feasible solution.

Wireless power transfer from a road is an alternative to the conventional plug-in-based charging stations operating today for charging battery-electric vehicles. Recent technology advances have made such a solution practically feasible with inductive charging technology. There are many advantages for wireless charging applications, such as no need for a mechanical plug. This makes it more mechanically robust, and more accessible for automated charging with no manual intervention. The alignment of coils in wireless inductive charging is crucial for an efficient charging cycle. This is where the combination of autonomous driving and wireless charging seems like a perfect match. With the use of a variety of sensors, autonomous driving systems could keep a precise position of an electric vehicle down to the centimeter.

SINTEF has used a 1:14 scale battery-electric truck model with an associated dynamic wireless inductive charging system for demonstrating this technology on a smaller scale. Previous students at NTNU have developed autonomous driving functions for the truck model and Bluetooth communication with the charging station. There is still room for improvements, and this study has furthered the work to reach a more stable and robust autonomous computer vision based path tracking to achieve a more efficient charging cycle. A feedback signal was received by connecting to the internal potentiometer at the servo operating the steering angle. Then a closed-loop PID controller for the steering was implemented. In addition, a new camera has been mounted at the top of the cab at the truck model and merged with an existing camera to reach a wider detection area. The field of view has been expanded from 30 - 100 cm to 0 - 100 cm in front of the truck model. Sharp corners could previously be overlooked, and these improvements gave more precise steering.

A mockup track was made for testing, and the position of the truck model has been logged with both an IMU and LiDAR to provide a visual display of enhanced autonomous driving. A new function has been implemented to activate and deactivate the road-side coils at an exact position. Various tests have been performed to find an optimal charging cycle with activation and deactivation of the roadside coils in different positions. A null-point is used as the starting point, which is the position where the vehicle-side coil starts to receive power from the road-side coils. Results from the tests showed that the null-point activation reached the highest transferred energy at 66 percent efficiency, but a 5 cm shorter activation of the null-point gave an overall higher efficiency at 67 percent. There has also been implemented an opportunity charging alternative to test static wireless charging where one of the rectangular road-side coils was exchanged with a square road-side coil. With a static solution, the highest efficiency was reached at 80 percent efficiency. However, the increased efficiency comes at the cost of zero distance traveled while charging.