A physics-based neural network to predict driver/vehicle dynamics on track

As a result of the tremendous development achieved in automatic driving systems (ADS) over the previous decade, learning-based trajectory prediction models have encountered noticeable success. However, substantial proven knowledge of the physics of the phenomenon that has been the foundations of vehicle dynamics for a long time is being completely ignored in the majority of those techniques. Indeed, the literature on learning-based trajectory forecasting algorithms lacks of approaches able to leverage also of this useful wasted information. In this regard, this thesis provides a deep learning framework to forecast the trajectory of a racing car on track, which is assisted with information derived from a 7-degree-of-freedom vehicle dynamic model, for future use in simulation, testing, and controller development. To accomplish this, a new customized Physics-Informed Loss Function (PILF) has been introduced to guide the algorithm's training toward feasible time predictions. Starting from a state-of-the-art approach, the novel loss function, based on the fulfillment of the simplified car model equations, coaches the algorithm to be more robust to diverse situations and to generalize the driver-vehicle system more effectively. The suggested model is capable of forecasting the future temporal evolutions of all specified vehicle attributes with significant accuracy. Furthermore, because of its fast computing time, it is suited for online control applications. Using a dataset obtained during test sessions of a non-professional driver on a dynamic driving simulator, the appropriateness of predictions was tested in a variety of circumstances provided by motion cueing algorithms. A 3D track with complicated geometry was used as the driving environment. Finally, the neural network's robustness to changes of the simulation environment was examined.

Come consequenza dell'enorme sviluppo ottenuto nei sistemi di guida automatica (ADS) nel decennio precedente, i modelli di previsione della traiettoria basati sull'apprendimento a partire da dati hanno riscontrato molto successo. Tuttavia, la conoscenza sostanziale e comprovata della fisica del fenomeno che è stata a lungo alla base della dinamica dei veicoli viene completamente ignorata nella maggior parte di queste tecniche. In effetti, la letteratura degli algoritmi di predizione della traiettoria basati sulle reti neurali manca di approcci in grado di tenere conto anche di queste utili informazioni sprecate. Questa tesi fornisce una struttura neurale per la previsione della traiettoria di un'auto da corsa in pista, assistita da informazioni derivanti da un modello dinamico di veicolo a 7 gradi di libertà, per future applicazioni di simulazione di guida, test e controllo. A tal fine, una nuova funzione di costo basata sulla fisica del fenomeno (PILF) è stata introdotta per guidare l'allenamento dell'algoritmo verso previsioni temporali fattibili. Partendo da un approccio già adottato in letteratura, l'innovativa funzione di costo, basata sull'adempimento delle equazioni semplificate del modello di auto, allena l'algoritmo ad essere più robusto alle diverse situazioni di guida e a generalizzare il sistema conducente-veicolo in modo più efficace. Il modello suggerito è in grado di prevedere la futura evoluzione temporale di tutte le variabili significative del veicolo con una precisione considerevole. Inoltre, il tempo di calcolo ridotto e lo rende adatto per applicazioni di controllo online. La bontà delle predizioni è stata verificata in diverse situazioni generate tramite algoritmi di motion cueing, utilizzando un set di dati raccolto durante sessioni di test di un pilota non professionista su un simulatore di guida dinamico. Per rendere più difficile il compito di previsione, una pista 3D con una geometria complessa è stata utilizzata come ambiente di guida. Infine, è stata esaminata la robustezza della rete neurale ai cambiamenti dell'ambiente di simulazione.