Automated design of simulator-in-the-loop observers

State-of-the-art vehicle dynamics estimation techniques usually share one common drawback: each variable to estimate is computed with an independent simplified filtering module. These modules run in parallel and need to be calibrated separately. To solve this issue, a unified Simulator-in-the-loop Observer architecture has recently been proposed: the classical simplified control-oriented vehicle model in the estimators is replaced by a full-fledged vehicle simulator, or digital twin (DT). The DT is run in real time, and it is fed with the same inputs as the real vehicle. The states of the DT are corrected in real time with a linear time invariant output error law. Since the simulator is a black-box, no explicit analytical formulation is available, hence we cannot rely on classical filter tuning techniques. Due to this reason, Bayesian Optimization will be used to solve a data-driven optimization problem to tune the filter. Due to the complexity of the DT, the optimization problem is high-dimensional. The aim of this thesis is to find a procedure to tune the high-complexity observer by lowering the dimensionality of the large-scale optimization problem. A supervised and an unsupervised dimensionality reduction methods will be proposed; computational times, convergence of results and performance of the filters will be statistically analyzed.

I metodi di stima della dinamica del veicolo attualmente allo stato dell’arte condividono uno svantaggio comune: ogni variabile è stimata in un modulo indipendente. Tali moduli lavorano in parallelo, e devono essere calibrati separatamente. Per risolvere il problema, in letteratura è stato recentemente proposto uno stimatore con architettura Simulator-in-the-loop, dove il classico modello semplificato di veicolo viene sostituito da un complesso simulatore, o digital twin (DT). La macchina è simulata in tempo reale, e ha come ingressi gli stessi comandi che il pilota applica al veicolo reale. Gli stati del DT vengono modificati in tempo reale con una correzione lineare (tempo invariante) basata sulle differenze tra i segnali misurati dai sensori reali e i segnali virtuali. Il simulatore può essere visto come una black box, in quanto non è disponibile alcuna formulazione esplicita dei calcoli svolti al suo interno. Per questo motivo, non possiamo fare affidamento sulle classiche tecniche di taratura dei filtri, come la tecnica di Kalman, ma dobbiamo usare un approccio data-driven. In particolare, per calibrare l’osservatore, possiamo adottare l’ottimizzazione bayesiana. A causa della complessità del DT, il problema di ottimizzazione è di dimensioni elevate, e lo scopo della tesi è ridurne i gradi di libertà attraverso una procedura automatica. In particolare, verranno proposti metodi sia supervisionati che non per diminuire l’elevata dimensionalità del problema. Per entrambi gli approcci, analizzeremo statisticamente i tempi di calcolo, la convergenza dei risultati e le prestazioni dei filtri.