MPC-based torque vectoring control for high performance electric vehicles : a Bayesian optimization approach

In this thesis, a torque vectoring controller is designed, with the aim of enhancing the handling and safety of high performance vehicles during sport driving maneuvers. The case of electric vehicles is considered, since this type of vehicles, employing up to four independent motors, is naturally suited for torque vectoring control (which is based on the generation of a yaw moment by means of a clever distribution of the torque at the four wheels). In particular, an architecture characterized by three independent motors is considered. A MPC-based controller is developed, paying close attention to the choice of the predictive model. A nonlinear model capable of describing the dynamics of the vehicle at the limits of handling is linearized around the operating point at every iteration of the MPC, yielding a parameter-varying affine model of the controlled system. This fact, combined with the choice of a quadratic cost function and a set of linear constraints, allows to obtain a quadratic programming optimization problem and keep the computational complexity of the control algorithm low. The choice of the reference model, in charge of generating the reference signals for the controller, is studied in depth. Moreover, a solution for the tuning of the MPC weigthing matrices, based on Bayesian optimization and requiring a limited number of experiments, is proposed. The performance of the controller is tested in simulation using CarSim and Simulink, demonstrating its capability to change the dynamic characteristics of the vehicle, such as the understeering behaviour and the reactivity to the steering inputs, and to improve the safety.

In questa tesi viene sviluppato un controllore basato sulla tecnologia del torque vectoring (o controllo dinamico della trazione), allo scopo di migliorare la maneggevolezza e la sicurezza dei veicoli ad alte prestazioni, anche in situazioni di guida sportiva. Viene considerato il caso dei veicoli elettrici, dal momento che essi, essendo equipaggiati con fino a quattro motori indipendenti, sono particolarmente adatti all'applicazione del torque vectoring (che è basato sulla generazione di un momento imbardante attraverso una appropriata distribuzione della coppia alle quattro ruote). In particolare, si considera una architettura di veicolo caratterizzata da tre motori indipendenti. Il controllore è realizzato tramite la tecnica del Model Predictive Control, prestando particolare attenzione alla scelta del modello predittivo utilizzato. Un modello non lineare, capace di descrivere accuratamente la dinamica di veicolo ai limiti di manovrabilità, viene linearizzato attorno al punto di lavoro ad ogni iterazione dell'algoritmo di controllo, risultando in un modello affine a parametri variabili del sistema controllato. Questo fatto, abbinato alla scelta di una funzione di costo quadratica e di una serie di vincoli lineari, permette di ottenere un problema di programmazione quadratica e di mantenere al minimo la complessità computazionale dell'algoritmo di controllo. Il problema della generazione dei segnali di riferimento per il controllore, ovvero la scelta del modello di riferimento, viene studiato a fondo. Inoltre, viene proposta una soluzione per la messa a punto delle matrici dei pesi che definiscono la funzione di costo del problema di ottimizzazione MPC, basata su una tecnica di ottimizzazione globale detta Bayesian optimization e conveniente per il numero contenuto di esperimenti richiesto. Le prestazioni del controllore vengono testate in simulazione attraverso l'utilizzo di CarSim e Simulink, mostrando le potenzialità dello stesso nel modificare le caratteristiche dinamiche del veicolo, come il comportamento sottosterzante e la reattività nella risposta ai comandi di sterzo, e nel migliorare la sicurezza.