The twin-in-the-loop approach for vehicle dynamics estimation and control : methods and applications

In vehicles, the ever increasing computing power in on-board Electronic Control units enables the use of demanding software components. Specifically, vehicle Digital Twins are full-fledged dynamic simulators, used for off-line design and testing; recent developments allow for the real-time execution of these models on on-board vehicle control units. What would be the impact of embedding such sophisticated models in on-line estimation and control algorithms? This is the question tackled in this thesis, in which we develop, analyse and validate a framework named Twin-in-the-Loop (TiL). On the control side, in typical design frameworks a certain controller (possibly a very sophisticated one) is finely tuned on increasingly complex vehicle models, up to a final implementation on the real vehicle, requiring a long and costly End-of-Line calibration: we change this framework by directly employing the controlled simulator on the real vehicle as an openloop feedforward contribution, while a simple compensator –e.g. a PID– is enforced to guarantee stability of the overall system. After validating and comparing the approach against a benchmark, onto a significant case study, we tackle some practical problems of it: specifically, we address the problem of tuning the TiL compensator directly from data, while guaranteeing some robustness in the process. On the estimation side, recent research showed as TiL observers (employing a vehicle simulator as a plant replica) are able to outperform benchmark ones: a critical aspect when considering TiL estimators also lies in the calibration of the algorithm itself. In this work, we extend and experimentally validate the original formulation to the problem of estimating unknown parameters (such as the vehicle mass and moments of inertia). Then, we focus on the problem of calibrating the estimator closed-loop correction law. Due to the high number of parameters to be tuned, a reduction of the complexity is necessary in order to have a well posed optimization problem: this is made further complex by the fact that the Digital Twin is a black-box object, thus preventing the use of classical observer tuning approaches (e.g. the Kalman Filter theory). To solve the problem, we employ both supervised and unsupervised learning approaches; eventually, we show as the automatic complexity reduction is more performing than one carried out via physics-inspired considerations.

Nei veicoli, la crescente potenza di calcolo nelle unità di controllo elettronico di bordo consente l'utilizzo di componenti software sempre più avanzati. In particolare, i gemelli digitali dei veicoli sono simulatori dinamici completi utilizzati per la progettazione e le prove offline; i più recenti sviluppi dell'elettronica permettono l'esecuzione in tempo reale di questi modelli sulle unità di controllo dei veicoli a bordo. Quale sarebbe l'impatto dell'integrazione di modelli così sofisticati negli algoritmi di stima e controllo online? Questa è la domanda affrontata in questa tesi, in cui sviluppiamo, analizziamo e validiamo un framework chiamato Twin-in-the-Loop (TiL). Dal lato del controllo, nei tipici contesti di progettazione, un certo controllore (possibilmente molto sofisticato) viene calibrato con precisione su modelli di veicoli sempre più complessi, fino a una implementazione finale sul veicolo reale, richiedendo una procedura di taratura costosa e lunga alla fine della linea di produzione: questo paradigma viene qui modificato impiegando direttamente il simulatore controllato sul veicolo reale come contributo in anello aperto, mentre un semplice compensatore - ad esempio, un PID - è imposto per garantire la stabilità dell'intero sistema. Dopo la validazione e il confronto dell'approccio con un controllore di riferimento, su un caso di studio significativo, affrontiamo alcuni problemi pratici: in particolare, affrontiamo il problema di tarare il compensatore TiL direttamente dai dati, garantendo al contempo una certa robustezza nel processo. Dal punto di vista della stima, recenti ricerche hanno dimostrato che gli osservatori TiL (che utilizzano un simulatore del veicolo come modello virtuale del sistema) sono in grado di battere lo stato dell'arte: un aspetto critico nell'utilizzo di questi stimatori risiede però nella calibrazione dell'algoritmo stesso. In questo lavoro, estendiamo e convalidiamo sperimentalmente la formulazione originale al problema della stima di parametri sconosciuti (come la massa del veicolo e i momenti di inerzia). Successivamente, ci concentriamo sul problema della calibrazione della legge di correzione in closed-loop di stimatori TiL. A causa dell'alto numero di parametri da calibrare, è necessaria una riduzione della complessità al fine di avere un problema di ottimizzazione ben posto: ciò è reso ulteriormente complesso dal fatto che il gemello digitale è un oggetto a scatola nera, e ciò impedisce l'uso di approcci classici alla taratura degli osservatori (ad esempio, la teoria del filtro di Kalman). Per risolvere il problema, impieghiamo approcci di apprendimento supervisionato e non supervisionato; infine, mostriamo come la riduzione automatica della complessità sia più efficace di quella effettuata tramite considerazioni ispirate alla fisica.