The increasing global demand for vehicles that balance driveability, safety, and eco-friendliness has driven the adoption of automatic controllers in vehicle modules, relying on sensors, actuators, and feedback control mechanisms. While many vehicle modules have matured in design and control, the optimal calibration of their parametric controllers remains a significant challenge due to system parameter variations, uncertainties, and complex dynamics involved. Within vehicle context, the goal of optimal parameter calibration is typically characterized with a system level black-box cost function that can only be assessed through expensive experiments. Such problem settings arise in various applications (e.g., electromechanical brake-by-wire actuator) where the considered system involves multi-physical domains (electric, mechanical, hydraulic) interacting with each other, as well as with the environment. Employing a model-based approach is particularly challenging, as it necessitates an accurate model of the complex system dynamics, which is both cost and time demanding. Furthermore, there is a risk of performance degradation due to system variability and model inaccuracies. In contrast, data-driven approaches provide an appealing solution by enabling direct controller parameter tuning based on measured data, bypassing the need for intermediate system model construction. Yet, this approach is not without its hurdles. These include the formulation of an apt cost function that captures the metrics of interest and ensures robustness to various operating scenarios. Additional concerns arise when the algorithm exploration policy must account for safety constraints, i.e., hard constraints avoiding unsafe testing. Specifically, the cautiousness of the sampling process is adjusted in order to avoid safety-critical operations. Eventually, handling instances where the cost function is non-evaluable represent a common scenario that needs to be tackled. Addressing all these challenges, especially as they relate to specific vehicle subsystems, continues to be an open topic in the current Literature. This dissertation aims to bridge the gap between data-driven optimization methods and control parameter calibration in vehicle applications. Results on an industrial gear shifting management strategy for sport motorcycles constitute a novel contribution to this field. The novelties include designing a cost function capable of capturing relevant metrics – both at low- and system-level – aiming to derive a solution that is robust to scenario variations. Moreover, a comprehensive quantitative assessment is presented, including a comparison among state-of-the-art black-box tuning methodologies, e.g., Bayesian Optimization (BO) and set membership global optimization. Acknowledging the potential safety concerns during the sampling calibration process, an exploration policy ensuring – with high probability – control feedback stability is considered. Such a safety-oriented optimization framework is applied for the first time in an industrial case-study, specifically addressing the active mitigation of driveline oscillation in an electric vehicle through the implementation of a traction control strategy. While preserving optimality in terms of global cost minimization, safety-critical queries are significantly reduced with respect to state-of-the-art methods (e.g., BO, constrained-BO). Eventually, transitioning from a performance- to a preference-based optimization approach, this dissertation delves into scenarios where the cost function is unknown and non-evaluable. In such instances, decision-maker can only express a preference between calibration candidates. This approach is especially pertinent for tackling comfort-oriented optimization problems, where quantifying comfort remains subjective and challenging to mathematically model. The feasibility of the proposed framework – based on active preference learning – and its experimental validation is proved for the suspension calibration problem and represents its first application in the Literature. A learning methodology is introduced to accurately capture and incorporate driver pair-wise preferences. Lastly, a comparison with automatic performance-based suspension calibration approach via BO is proposed, guided by a driver-tailored performance metric, showing good agreement between the two techniques. The obtained results and improvements over the state-of-the-art are summarized as follows: (i) design, experimental validation, and assessment of a robust data-driven model-free auto-calibration framework for a gear-shift strategy in a sport motorcycle; (ii) design of a data-driven model-free safety-oriented calibration frame-work for an active damping controller in electric drivelines; (iii) design and experimental validation of an APL-based framework for addressing the suspension calibration problem; (iv) design of a learning methodology to extrapolate driver-tailored performance index. In essence, this thesis presents data-driven black-box approaches tailored to different vehicle applications, introducing innovative tools to assess their optimization quality and validation, thereby advancing data- driven calibration in the vehicle domain.

La crescente domanda globale di veicoli che vantano la guidabilità, la sicurezza e l'eco-sostenibilità ha spinto all'adozione di controllori automatici nei moduli dei veicoli, basati su sensori, attuatori e meccanismi di controllo in retroazione. Mentre molti moduli dei veicoli hanno raggiunto una maturità nel design e nel controllo, la calibrazione ottimale dei loro parametri di controllo rimane una sfida significativa a causa delle variazioni dei parametri di sistema, delle incertezze e delle dinamiche complesse coinvolte. Nell'ambito dei veicoli, l'obiettivo della calibrazione ottimale dei parametri è tipicamente caratterizzato da una funzione di costo black-box a livello di sistema che può essere valutata solo attraverso costosi esperimenti. Queste problematiche si presentano in varie applicazioni (ad esempio, un attuatore brake-by-wire elettromeccanico) in cui il sistema considerato comprende diversi domini fisici (elettrico, meccanico, idraulico) che interagiscono tra di loro e con l'ambiente. Un approccio basato su modelli (model-based) è particolarmente impegnativo, poiché richiede un modello sufficientemente accurato delle dinamiche complesse del sistema. Inoltre, c'è il rischio di degradazione delle prestazioni a causa della variabilità del sistema e delle inaccuratezze del modello. Al contrario, gli approcci basati sui dati (data-driven) forniscono una soluzione interessante consentendo una taratura diretta dei parametri del controllore utilizzando i dati misurati, evitando dunque la necessità di costruire un modello del sistema. Tuttavia, questo approccio non è privo di ostacoli, come la formulazione di una funzione di costo adeguata che esplicita le metriche di interesse e garantisca robustezza in diversi condizioni operative. Altre preoccupazioni sorgono quando la logica dell'algoritmo deve tener conto dei vincoli di sicurezza, necessari per evitare di condurre esperimenti non sicuri. In particolare, la prudenza del processo di ottimizzazione viene regolata per evitare operazioni critiche per la sicurezza. Inoltre, quei casi in cui la funzione di costo non è valutabile rappresenta uno scenario comune che deve essere affrontato. L'insieme di tutte queste sfide, specialmente per quanto riguarda i sotto-sistemi specifici dei veicoli, continua a essere un argomento aperto in letteratura. Questa tesi si propone di colmare il divario tra i metodi di ottimizzazione basati sui dati e la calibrazione dei parametri di controllo nei veicoli. I risultati circa la strategia di cambio marcia per motoveicoli sportivi rappresentano un contributo innovativo in questo campo, tra le quali annoveriamo la progettazione di una funzione di costo in grado di incorporare metriche rilevanti, sia a basso livello sia a livello di sistema, portando ad una soluzione robusta alle variazioni di scenario. Inoltre, viene presentata una valutazione quantitativa dei risultati, includendo una comparazione tra metodologie di taratura black-box all'avanguardia, come l'Ottimizzazione Bayesiana (BO) e la set membership global optimization. Riconoscendo i potenziali rischi legati alla sicurezza durante il processo di taratura sperimentale, viene considerata una logica di ottimizzazione che assicura, con alta probabilità, la stabilità del sistema di controllo. Un tale quadro di ottimizzazione viene applicato per la prima volta in un caso-studio industriale, affrontando specificamente la mitigazione delle oscillazioni della trasmissione in un veicolo elettrico attraverso l'implementazione di una strategia di controllo di trazione. Pur preservando l'ottimalità in termini di minimizzazione globale della funzione costo, i test critici per la sicurezza vengono significativamente ridotti rispetto ai metodi attualmente usati (ad esempio, BO, constrained BO). Infine, passando da un approccio di ottimizzazione basato sulle prestazioni a uno basato sulle preferenze, questa tesi si addentra in scenari in cui la funzione di costo è sconosciuta e non valutabile. In tali casi, l’utente può solo esprimere una preferenza tra i candidati alla calibrazione. Questo approccio è particolarmente pertinente per affrontare problemi di ottimizzazione orientati al comfort, poiché tale metrica rimane soggettiva e difficile da modellare matematicamente. La fattibilità del framework proposto, basato sulla metodologia active preference learning, e la sua validazione sperimentale sono dimostrate per il problema di calibrazione sospensioni e rappresenta la sua prima applicazione in letteratura. Una strategia di apprendimento viene definita per incorporare le preferenze del conducente e definire un indice di performance personalizzato. Infine, viene proposta una comparazione con un approccio automatico di taratura basato sulle prestazioni tramite BO, guidato dalla metrica di prestazione personalizzata per il conducente, mostrando una buona concordanza tra le due tecniche. I risultati ottenuti e i miglioramenti rispetto allo stato dell'arte sono riassunti come segue: (i) progettazione, validazione sperimentale e analisi di un framework di taratura automatica robusto basato sui dati e privo di modello per una strategia di cambio marcia in un motoveicolo sportivo; (ii) progettazione di un framework di taratura automatica orientato alla sicurezza per un controllore di trazione per veicoli elettrici; (iii) progettazione e validazione sperimentale di un framework basato sulla metodologia active preference learning per affrontare il problema della calibrazione sospensioni; (iv) design di una metodologia di apprendimento per estrapolare l'indice di prestazione personalizzato in base alle preferenze del conducente. In sostanza, questa tesi presenta approcci data-driven, black-box adattati a diverse applicazioni in ambito veicolistico, introducendo strumenti innovativi per promuovere, valutare e validare la qualità del risultato dell’ottimizzazione.

Data-driven optimization of parametric controllers in vehicle applications

CATENARO, EDOARDO
2023/2024

Abstract

The increasing global demand for vehicles that balance driveability, safety, and eco-friendliness has driven the adoption of automatic controllers in vehicle modules, relying on sensors, actuators, and feedback control mechanisms. While many vehicle modules have matured in design and control, the optimal calibration of their parametric controllers remains a significant challenge due to system parameter variations, uncertainties, and complex dynamics involved. Within vehicle context, the goal of optimal parameter calibration is typically characterized with a system level black-box cost function that can only be assessed through expensive experiments. Such problem settings arise in various applications (e.g., electromechanical brake-by-wire actuator) where the considered system involves multi-physical domains (electric, mechanical, hydraulic) interacting with each other, as well as with the environment. Employing a model-based approach is particularly challenging, as it necessitates an accurate model of the complex system dynamics, which is both cost and time demanding. Furthermore, there is a risk of performance degradation due to system variability and model inaccuracies. In contrast, data-driven approaches provide an appealing solution by enabling direct controller parameter tuning based on measured data, bypassing the need for intermediate system model construction. Yet, this approach is not without its hurdles. These include the formulation of an apt cost function that captures the metrics of interest and ensures robustness to various operating scenarios. Additional concerns arise when the algorithm exploration policy must account for safety constraints, i.e., hard constraints avoiding unsafe testing. Specifically, the cautiousness of the sampling process is adjusted in order to avoid safety-critical operations. Eventually, handling instances where the cost function is non-evaluable represent a common scenario that needs to be tackled. Addressing all these challenges, especially as they relate to specific vehicle subsystems, continues to be an open topic in the current Literature. This dissertation aims to bridge the gap between data-driven optimization methods and control parameter calibration in vehicle applications. Results on an industrial gear shifting management strategy for sport motorcycles constitute a novel contribution to this field. The novelties include designing a cost function capable of capturing relevant metrics – both at low- and system-level – aiming to derive a solution that is robust to scenario variations. Moreover, a comprehensive quantitative assessment is presented, including a comparison among state-of-the-art black-box tuning methodologies, e.g., Bayesian Optimization (BO) and set membership global optimization. Acknowledging the potential safety concerns during the sampling calibration process, an exploration policy ensuring – with high probability – control feedback stability is considered. Such a safety-oriented optimization framework is applied for the first time in an industrial case-study, specifically addressing the active mitigation of driveline oscillation in an electric vehicle through the implementation of a traction control strategy. While preserving optimality in terms of global cost minimization, safety-critical queries are significantly reduced with respect to state-of-the-art methods (e.g., BO, constrained-BO). Eventually, transitioning from a performance- to a preference-based optimization approach, this dissertation delves into scenarios where the cost function is unknown and non-evaluable. In such instances, decision-maker can only express a preference between calibration candidates. This approach is especially pertinent for tackling comfort-oriented optimization problems, where quantifying comfort remains subjective and challenging to mathematically model. The feasibility of the proposed framework – based on active preference learning – and its experimental validation is proved for the suspension calibration problem and represents its first application in the Literature. A learning methodology is introduced to accurately capture and incorporate driver pair-wise preferences. Lastly, a comparison with automatic performance-based suspension calibration approach via BO is proposed, guided by a driver-tailored performance metric, showing good agreement between the two techniques. The obtained results and improvements over the state-of-the-art are summarized as follows: (i) design, experimental validation, and assessment of a robust data-driven model-free auto-calibration framework for a gear-shift strategy in a sport motorcycle; (ii) design of a data-driven model-free safety-oriented calibration frame-work for an active damping controller in electric drivelines; (iii) design and experimental validation of an APL-based framework for addressing the suspension calibration problem; (iv) design of a learning methodology to extrapolate driver-tailored performance index. In essence, this thesis presents data-driven black-box approaches tailored to different vehicle applications, introducing innovative tools to assess their optimization quality and validation, thereby advancing data- driven calibration in the vehicle domain.
PIRODDI, LUIGI
FAGIANO, LORENZO MARIO
PANZANI, GIULIO
CORNO, MATTEO
29-feb-2024
Data-driven optimization of parametric controllers in vehicles applications
La crescente domanda globale di veicoli che vantano la guidabilità, la sicurezza e l'eco-sostenibilità ha spinto all'adozione di controllori automatici nei moduli dei veicoli, basati su sensori, attuatori e meccanismi di controllo in retroazione. Mentre molti moduli dei veicoli hanno raggiunto una maturità nel design e nel controllo, la calibrazione ottimale dei loro parametri di controllo rimane una sfida significativa a causa delle variazioni dei parametri di sistema, delle incertezze e delle dinamiche complesse coinvolte. Nell'ambito dei veicoli, l'obiettivo della calibrazione ottimale dei parametri è tipicamente caratterizzato da una funzione di costo black-box a livello di sistema che può essere valutata solo attraverso costosi esperimenti. Queste problematiche si presentano in varie applicazioni (ad esempio, un attuatore brake-by-wire elettromeccanico) in cui il sistema considerato comprende diversi domini fisici (elettrico, meccanico, idraulico) che interagiscono tra di loro e con l'ambiente. Un approccio basato su modelli (model-based) è particolarmente impegnativo, poiché richiede un modello sufficientemente accurato delle dinamiche complesse del sistema. Inoltre, c'è il rischio di degradazione delle prestazioni a causa della variabilità del sistema e delle inaccuratezze del modello. Al contrario, gli approcci basati sui dati (data-driven) forniscono una soluzione interessante consentendo una taratura diretta dei parametri del controllore utilizzando i dati misurati, evitando dunque la necessità di costruire un modello del sistema. Tuttavia, questo approccio non è privo di ostacoli, come la formulazione di una funzione di costo adeguata che esplicita le metriche di interesse e garantisca robustezza in diversi condizioni operative. Altre preoccupazioni sorgono quando la logica dell'algoritmo deve tener conto dei vincoli di sicurezza, necessari per evitare di condurre esperimenti non sicuri. In particolare, la prudenza del processo di ottimizzazione viene regolata per evitare operazioni critiche per la sicurezza. Inoltre, quei casi in cui la funzione di costo non è valutabile rappresenta uno scenario comune che deve essere affrontato. L'insieme di tutte queste sfide, specialmente per quanto riguarda i sotto-sistemi specifici dei veicoli, continua a essere un argomento aperto in letteratura. Questa tesi si propone di colmare il divario tra i metodi di ottimizzazione basati sui dati e la calibrazione dei parametri di controllo nei veicoli. I risultati circa la strategia di cambio marcia per motoveicoli sportivi rappresentano un contributo innovativo in questo campo, tra le quali annoveriamo la progettazione di una funzione di costo in grado di incorporare metriche rilevanti, sia a basso livello sia a livello di sistema, portando ad una soluzione robusta alle variazioni di scenario. Inoltre, viene presentata una valutazione quantitativa dei risultati, includendo una comparazione tra metodologie di taratura black-box all'avanguardia, come l'Ottimizzazione Bayesiana (BO) e la set membership global optimization. Riconoscendo i potenziali rischi legati alla sicurezza durante il processo di taratura sperimentale, viene considerata una logica di ottimizzazione che assicura, con alta probabilità, la stabilità del sistema di controllo. Un tale quadro di ottimizzazione viene applicato per la prima volta in un caso-studio industriale, affrontando specificamente la mitigazione delle oscillazioni della trasmissione in un veicolo elettrico attraverso l'implementazione di una strategia di controllo di trazione. Pur preservando l'ottimalità in termini di minimizzazione globale della funzione costo, i test critici per la sicurezza vengono significativamente ridotti rispetto ai metodi attualmente usati (ad esempio, BO, constrained BO). Infine, passando da un approccio di ottimizzazione basato sulle prestazioni a uno basato sulle preferenze, questa tesi si addentra in scenari in cui la funzione di costo è sconosciuta e non valutabile. In tali casi, l’utente può solo esprimere una preferenza tra i candidati alla calibrazione. Questo approccio è particolarmente pertinente per affrontare problemi di ottimizzazione orientati al comfort, poiché tale metrica rimane soggettiva e difficile da modellare matematicamente. La fattibilità del framework proposto, basato sulla metodologia active preference learning, e la sua validazione sperimentale sono dimostrate per il problema di calibrazione sospensioni e rappresenta la sua prima applicazione in letteratura. Una strategia di apprendimento viene definita per incorporare le preferenze del conducente e definire un indice di performance personalizzato. Infine, viene proposta una comparazione con un approccio automatico di taratura basato sulle prestazioni tramite BO, guidato dalla metrica di prestazione personalizzata per il conducente, mostrando una buona concordanza tra le due tecniche. I risultati ottenuti e i miglioramenti rispetto allo stato dell'arte sono riassunti come segue: (i) progettazione, validazione sperimentale e analisi di un framework di taratura automatica robusto basato sui dati e privo di modello per una strategia di cambio marcia in un motoveicolo sportivo; (ii) progettazione di un framework di taratura automatica orientato alla sicurezza per un controllore di trazione per veicoli elettrici; (iii) progettazione e validazione sperimentale di un framework basato sulla metodologia active preference learning per affrontare il problema della calibrazione sospensioni; (iv) design di una metodologia di apprendimento per estrapolare l'indice di prestazione personalizzato in base alle preferenze del conducente. In sostanza, questa tesi presenta approcci data-driven, black-box adattati a diverse applicazioni in ambito veicolistico, introducendo strumenti innovativi per promuovere, valutare e validare la qualità del risultato dell’ottimizzazione.
File allegati
File Dimensione Formato  
PhDthesis_EdoardoCatenaro.pdf

non accessibile

Dimensione 7.74 MB
Formato Adobe PDF
7.74 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/217112