Control oriented learning in vehicles

With the rapid growth of the population, the number of vehicles is also going to increase, to answer the raising demand for a more performing, comfortable, and safe mobility, focused both on leisure and working activities. For such a reason, a huge effort has been put in researching and developing new solutions, to be applied to the variety of means of transport that are available nowadays. A significant amount of time has been devoted from the mechanical and control system design point of view. Most of these control problems assume on-board measurement are available. In many scenarios, however, this is not the case. In this perspective, the objective of this thesis is to propose solutions for some vehicle-oriented estimation problems, developed for different classes of vehicles and in order to be able to deal with the subsequent implementation of appropriate control strategies, which cannot be taken into account without this preliminary discussion. The work is carried out considering three main categories of vehicles: heavy-duty vehicles (in particular agricultural tractors), cars, and bicycles. These three types of vehicles are well representative of the characteristics, the problems and the different solutions that can be adopted to solve the points at issue. Each one of the main estimation research lines is investigated: the mass estimation for an agricultural tractor is a paradigmatic example of parameter estimation. An algorithm for continuously monitoring the shock absorber state of health well represents the fault detection and recovery topic. Tightly linked to this field there is that of safety critical systems, whose example is represented by a Brake by Wire application for bicycles, actuated by a DC Brushless motor, with possible issues in retrieving the rotor angle. Finally, the optimal shifting point for a bike is obtained from the available sensors, as an example of signal reconstruction and virtual sensing.

Con la rapida crescita della popolazione, anche il numero di veicoli è destinato ad aumentare, per rispondere alla crescente domanda di una mobilità più performante, confortevole e sicura, incentrata sia sul tempo libero che sulle attività lavorative. Per questo motivo, è stato fatto un grande sforzo nella ricerca e nello sviluppo di nuove soluzioni, da applicare alla varietà di mezzi di trasporto oggi disponibili. Una notevole quantità di tempo è stata dedicata dal punto di vista della meccanica e della progettazione dei sistemi di controllo. La maggior parte di questi problemi di controllo presuppone che siano disponibili misure a bordo. In molti scenari, tuttavia, questo non è possibile. In questa prospettiva, l'obiettivo di questa tesi è quello di proporre soluzioni per alcuni problemi di stima focalizzati sui veicoli, sviluppati per diverse classi di veicoli e per poter affrontare la successiva implementazione di adeguate strategie di controllo, che non possono essere prese in considerazione senza questa discussione preliminare. Il lavoro viene svolto considerando tre categorie principali di veicoli: veicoli pesanti (in particolare trattori agricoli), automobili e biciclette. Questi tre tipi di veicoli sono ben rappresentativi delle caratteristiche, dei problemi e delle diverse soluzioni che possono essere adottate per risolvere gli argomenti in questione. Ognuna delle principali linee di ricerca di stima viene indagata: la stima della massa per un trattore agricolo è un esempio paradigmatico di stima dei parametri. Un algoritmo per il monitoraggio continuo dello stato di salute degli ammortizzatori rappresenta il tema della fault detection e recovery. Strettamente legato a questo campo c'è quello dei sistemi conosciuti come safety critical, il cui esempio è rappresentato da un'applicazione Brake by Wire per biciclette, azionata da un motore DC Brushless, con possibili problemi nella misurazione dell'angolo del rotore. Infine, il punto di cambiata ottimale per una bicicletta, ottenuto dai sensori disponibili, è un esempio di ricostruzione di un segnale e di sensore virtuale.