Robustness in data-driven control: theory and automotive applications

"Direct data-driven'' control methods allow us to design a controller from experimental data without the need to identify a model of the system. These strategies are particularly useful when the knowledge of the physics of the plant is poor and the modeling phase is excessively time-consuming. Although several recent contributions and advancements have been proposed in the direct control literature, the actual performance achieved by these methods is limited by real-world uncertainties that act at different stages of the tuning process. This work proposes various strategies for extending the effectiveness of direct approaches and enhancing their robustness - which is here intended in a broad sense - with respect to such uncertainties. The focus of the present study is on linear data-driven control. A regularization procedure is used for counteracting the detrimental effect of the measurement noise on the final closed-loop performance. The optimal design of the experiment is also tackled and a robust solution is proposed. The scenario optimization is employed for dealing with system operating conditions variations and designing a robust controller: this strategy is successfully applied to the robust yaw rate control of a vehicle. The automotive field could benefit from the application of direct approaches, given the complexity of the systems usually involved. An open-loop data-driven approach is also proposed for the clamping force robust control of an electric parking brake.

I metodi di controllo diretti o “data-driven” consentono di progettare un controllore a partire dai dati sperimentali e dunque non necessitano di alcun modello del sistema. Queste strategie sono particolarmente utili quando non sono disponibili abbastanza informazioni sul sistema da controllare o quando l'identificazione di un modello richiede uno sforzo eccessivo. Diversi contributi in letteratura hanno recentemente permesso di perfezionare ulteriormente queste strategie. Tuttavia, le reali prestazioni fornite dai metodi di controllo diretti sono fortemente limitate da incertezze e non-idealità che agiscono durante varie fasi della progettazione del controllo. Questa tesi propone diverse soluzioni per estendere l'applicabilità delle tecniche dirette ed aumentarne la robustezza (in senso lato). Particolare attenzione è dedicata alle strategie di controllo lineari. Una procedura di regolarizzazione permette di contrastare l'effetto del rumore di misura che interessa i dati raccolti durante la fase sperimentale. Quest'ultima può essere eseguita costruendo il segnale di ingresso (da fornire al sistema) a partire da un’ottimizzazione robusta che consente di migliorare la prestazione di controllo finale. La “scenario optimization” è invece utilizzata per il design robusto del controllore nel caso di variazioni delle condizioni operative del sistema: tale approccio è stato applicato con successo per il controllo della dinamica laterale di un veicolo. Le applicazioni automotive possono beneficiare degli approcci diretti, vista la complessità dei sistemi coinvolti: l’esempio considerato in questa tesi consiste in una procedura data-driven per il controllo di un freno di stazionamento elettrico.