Energeticky úsporná strategie řízení elektrického vozidla pro Shell Eco-Marathon

Abstract

Doprava patří mezi hlavní globální zdroje znečištění a snaha o snížení jejího dopadu na životní prostředí je opakovaně diskutovaným tématem v politice, vědě i technice. K podpoře inovací a rozvoje talentu v oblasti udržitelné mobility vznikají iniciativy, jako je soutěž Shell Eco-Marathon (SEM), která studentům poskytuje soutěžní platformu pro vývoj energeticky efektivních řešení. Stejně jako v jiných závodních disciplínách hraje optimalizace klíčovou roli při dosahování co nejlepších výsledků. Tato práce se zaměřuje na vývoj simulačního optimalizačního nástroje, který pomocí genetického algoritmu hledá energeticky efektivní jízdní trajektorii po závodní dráze. Vozidlo je modelováno v prostředí Simulink tak, aby umožnilo realistické výpočty sil a spotřeby energie, a podpořilo tak datově řízený vývoj a tvorbu závodní strategie. Součástí práce je rovněž přehled alternativních optimalizačních metod běžně využívaných v příbuzném výzkumu. Navržená metoda je otestována na syntetických datech, její omezení jsou analyzována a jsou navrženy směry pro budoucí vylepšení.

Transportation is a major global contributor to pollution, and the reduction of its environmental impact is a recurring topic across politics, science, or engineering. To promote innovation and talent in sustainable mobility, initiatives such as the Shell Eco-Marathon (SEM) provide a competitive platform for students to explore energy-efficient solutions. As in any racing competition, optimization plays a key role in achieving the best possible performance. This thesis presents the development of a simulation-based optimization tool that uses a genetic algorithm to determine an energy-efficient driving trajectory around a race track. The vehicle is modeled in Simulink to enable realistic force and energy calculations for data-driven development and strategy making. The thesis also provides an overview of alternative optimization methods commonly used in related research. The proposed method is tested on synthetic track data, its limitations are analyzed, and areas of future improvement are discussed.