Improving Motion Cueing Algorithms through driver's intent prediction

A dynamic Driving Simulator (DS) represents a technology with a lot of applications that allows to reproduce sensations that a driver would prove in a real car performing the same maneuver. The evident problem related to this purpose is the limited space in which the DS can move making it impossible to perfectly track the real perceived quantities. On the other hand, the effectiveness of DS is linked to the capabilities of well reproducing the sensations of a real car, this fact makes necessary the development of Motion Cueing Algorithms (MCA) to calculate feasible inputs for the platform. The conventional approach for MCA is the “washout filter” method that uses filters to select the appropriate content of motion, but it is characterized by the impossibility to explicitly consider the physical constraints and the unfeasibility to exploit future predictive information. The proposed solution of these limitations is represented by the second MCA approach based on Model Predictive Control (MPC) that allows to handle the constraints. The method is firstly implemented keeping the reference constant obtaining a significant improvement, but without the exploitation of all the platform. The use of driver’s intent predictions (calculated through neural networks) inside the prediction horizon of MPC instead of a constant reference determines an exploitation of the platform up to the limits and consequently a significant improvement in the tracking of the preceptive quantities. The approach has been validated through simulations performed using available track data with and without the prediction and using available real future information as a comparison. The simulations highlight the effectiveness of the method and the significant improvement, determining the constraints as the main cause of the sensation error: a sensitivity analysis on the physical constraints has been performed to prove the above statement.

Un simulatore dinamico di guida rappresenta l’opportunità di riprodurre le sensazioni che un guidatore proverebbe facendo la medesima manovra in una macchina reale. Il problema evidente collegato a questo scopo è lo spazio limitato in cui il simulatore può muoversi rendendo impossibile il perfetto tracciamento delle reali grandezze percepite. D’altro canto, l’efficacia di un simulatore è collegata alle capacità di riprodurre le sensazioni di una macchina reale, questo rende necessario lo sviluppo di “Motion Cueing Algorithm” (MCA) per determinare input praticabili per la piattaforma. L’approccio convenzionale per MCA è il metodo “washout filter” che utilizza filtri per selezionare il contenuto appropriato del moto, ma è caratterizzato dall’impossibilità a considerare esplicitamente i vincoli fisici e l’inattuabilità di sfruttare informazione future di predizione. La soluzione proposta di queste limitazioni è rappresentata dal secondo approccio di MCA basato sul Model Predictive Control (MPC) che permette di gestire i vincoli. Il metodo è inizialmente implementato mantenendo il riferimento costante ottenendo un miglioramento significativo, ma senza lo sfruttamento di tutta la piattaforma. L’utilizzo delle predizioni delle intenzioni del guidatore (calcolate tramite reti neurali) dentro l’orizzonte di predizione di MPC invece del riferimento costante determina lo sfruttamento di tutta la piattaforma fino ai limiti e conseguentemente un significativo miglioramento nel tracciamento delle quantità percepite. L’approccio è stato validato tramite simulazioni svolte usando dati su pista disponibili con e senza predizione e usando le informazioni reali future disponibili come confronto. Le simulazioni mostrano l’efficacia del metodo e il miglioramento significativo, determinando i vincoli come causa maggiore dell’errore di sensazione: è stata svolta un’analisi di sensitività sui vincoli fisici per provare l’affermazione sopra.