Design and analysis of data-driven control strategies for lap time optimization of a scaled race car

Autonomous racing is an emerging field of application for researchers in control engineering. It provides a suitable scenario for studying control strategies for racing vehicles driven at the limits of handling. These studies will aid in the development of fully autonomous vehicles as these conditions can happen also outside the racetrack during critical and sudden maneuvers, where it is crucial to maintain complete control of vehicles to ensure safety. Many works in the literature apply model-based strategies for solving an optimal control problem for lap time minimization. However, due to the difficulty in modeling vehicle dynamics at its limits, these strategies present a limitation of the performance achieved when applied to real racing vehicles. This thesis proposes a data-driven control approach that aim to overcome this limitation. The strategy proposed relies on the classical control theory by applying an Iterative Learning Control (ILC) algorithm for tracking a reference trajectory. This trajectory was found as a result of an optimization problem aimed at minimizing the lap time. Moreover, a second approach based on Reinforcement Learning (RL) is analyzed. RL is the sub-field of Machine Learning (ML) dedicated to control engineering. In this case, the control law is not fixed, but the algorithm aims to find the best logic to make the vehicle run as fast as possible within the track. The two proposed control strategies are analyzed simulating a single track dynamic model derived considering a 1:10 scaled professional RC race car. However, to make possible a future implementation on the real vehicle, the last part of the thesis proposes two design methods for an estimation module. This module uses complementary filters to estimate the vehicle states by combining measurements provided by the IMU and GPS sensors mounted on the car.

Le gare automobilistiche autonome sono un campo di applicazione emergente per l'ingegneria del controllo. Infatti forniscono ai ricercatori uno scenario adatto a studiare delle strategie di controllo atte a gestire veicoli ai limiti di manovrabilità. Questi studi saranno utili per lo sviluppo di veicoli completamente autonomi, in quanto le stesse condizioni possono verificarsi al di fuori della pista durante manovre critiche e improvvise, in cui è fondamentale mantenere il controllo del veicolo per garantire la sicurezza delle persone. Molti lavori presenti in letteratura applicano strategie model-based per risolvere un problema di controllo ottimo per la minimizzazione del tempo sul giro. Tuttavia, a causa della difficoltà nel modellare la dinamica del veicolo ai limiti della manovrabilità, questi approcci mostrano un limite nelle prestazioni quando vengono applicati sui reali veicoli da corsa. Per questo motivo, questa tesi propone un approccio di controllo data-driven che mira a superare questo limite. La strategia proposta si basa sulla teoria del controllo classico e applica un algoritmo di apprendimento iterativo per l'inseguimento di una traiettoria di riferimento. Questa traiettoria è stata trovata come risultato di un problema di ottimizzazione atto a minimizzare il tempo sul giro. Inoltre, un secondo approccio è stato analizzato, il quale si basa sulla teoria del Reinforcement Learning, corrispondente al paradigma di Machine Learning utilizzato in applicazioni tipiche dell'ingegneria del controllo. In questo caso, la legge di controllo non viene determinata a priori, poiché l'algoritmo ha l'obiettivo di trovare la logica migliore per guidare il veicolo velocemente all'interno della pista. Le due strategie di controllo proposte sono state analizzate in simulazione utilizzando un modello dinamico di tipo single track. Questo modello è stato formulato riferendosi ad un'auto da corsa RC in scala 1:10. In modo da poter applicare sul veicolo le strategie proposte, nell'ultima parte della tesi vengono presentati due metodi di progettazione per un modulo di stima degli stati. Il modulo è composto da filtri complementari utilizzati per stimare gli stati del veicolo combinando le misure dell'IMU e dei sensori GPS montati sull'auto.