Optimization of cueing algorithm parameters for a DiM400 dynamic driving simulator

Human-in-the-Loop driving simulators provide to the user the experience of driving a real car in a virtual environment. The motion of the simulator is regulated by the motion cueing algorithm (MCA), which has the task to control simulator states and actuator behavior and to replicate in the most realistic way the driving sensations, respecting the space and actuation constraints. The MCA can be tuned by changing the values of its parameters, as for example gains and filters cut-off frequencies, that influences the motion of both the simulator as well as the feedback given to the driver. The first part of the work is an analysis on the state of art of existing driving simulators and a comparison between classical MCA and Model Predictive Control (MPC) based MCA. The MPC-based MCA is the one implemented on the new VI-Grade DiM400 dynamic driving simulator; it allows an improved realism and a better exploitation of the workspace through the definition of the human vestibular model inside the MPC. The next step of the work has been an investigation on each parameter effect to recognize the ones that most influence the simulator performance, through the usage of a numerical model of the simulator (VI-DriveSim offline). To optimize the parameters, an evaluation of two different meta-heuristic algorithm have been proposed and compared: Gravitational Search Algorithm (GSA) and Global Neighbourhood Algorithm (GNA). A GNA-based optimization algorithm has been chosen and then developed, allowing the optimization for a specific maneuver, and subsequently implemented as a completely tunable Matlab app. The last part of the work concerns the validation of the algorithm through different tests carried out by professional and non-professional drivers in different scenarios with two vehicle models. The drivers' feedback evaluations have been collected from questionnaires, that had to be filled during the tests, and the results have been reported as a conclusion of the work.

I simulatori di guida "Human-in-the-Loop" forniscono all'utilizzatore le sensazioni di guida di un'auto vera ma riprodotta in un ambiente virtuale. Il movimento del simulatore è regolato dall'algoritmo di motion cueing (MCA), che ha il compito di controllare le condizioni del simulatore e il comportamento degli attuatori e di riprodurre nel modo più realistico possibile le sensazioni di guida, rispettando i vincoli spaziali e degli attuatori. L'algoritmo di motion cueing può essere messo a punto tramite la modifica dei suoi parametri, ad esempio guadagni e frequenze di taglio dei filtri, che vanno a modificare il movimento del simulatore e i feedback percepiti dal pilota. La prima parte del lavoro è un'analisi sullo stato dell'arte dei simulatori di guida esistenti e un confronto tra l'approccio classico al MCA e il MCA basato su un Model Predictive Control (MPC). L'algoritmo di motion cueing basato sul MPC è quello utilizzato sul nuovo simulatore di giuda dinamico VI-Grade DiM400; esso permette di ottenere un miglioramento nel realismo e un migliore utilizzo dello spazio a disposizione grazie alla definizione del modello del vestibolo umano all'interno del MPC. Il passo successivo è stata una ricerca approfondita sull'effetto dei singoli parametri per poter individuare i più influenti sulle prestazioni del simulatore tramite l'utilizzo di un modello numerico del simulatore stesso (VI-DriveSim offline). Per l'ottimizzazione del parametri sono stati valutati e confrontati due differenti algoritmi meta-euristici: il Gravitational Search Algorithm (GSA) e il Global Neighbourhood Algorithm (GNA). L'algoritmo di ottimizzazione basato sul GNA è stato scelto come migliore e quindi sviluppato per permettere l'ottimizzazione di una manovra specifica; successivamente è stato implementato come app Matlab completamente personalizzabile. L'ultima parte del lavoro riguarda la validazione dell'algoritmo tramite diversi test fatti da piloti professionisti e non professionisti in diversi scenari e con due modelli di veicolo differenti. Le valutazioni dei feedback dei piloti sono state ottenute con un questionario da compilare durante i test e i risultati sono stati presentati come conclusione del lavoro.