Adaptive twin-in-the-loop control of lateral vehicle dynamics

This thesis presents the development of an Adaptive Twin-in-the-Loop (Til-A) control strategy for the lateral dynamics of high-performance vehicles, specifically focusing on the Ferrari 488 GTB. The work addresses the complex challenge of optimizing controller weights while minimizing the need for extensive real-world testing through a novel Sim2Real approach that integrates Digital Twins (DTs) and Bayesian Optimization (BO). The selected control strategy is a Model Predictive Controller (MPC), which leverages the capabilities of a Steer-by-Wire system to implement active front steering. By optimizing the vehicle's nonlinear lateral dynamics, the MPC aims to effectively track reference yaw rates. To ensure compliance with real-time computational requirements, the vehicle model is locally linearized, facilitating the reformulation of the control problem into a quadratic programming framework. This thesis introduces an optimization algorithm designed to efficiently tune MPC parameters on real systems while minimizing the need for extensive real-world experiments. The approach utilizes a Sim2Real methodology, employing simulated systems, or Digital Twins, to gain information on the real system. The algorithm combines data from real-world experiments with simulations by running DTs in parallel, incorporating domain randomization to model real-world uncertainties such as variations in mass distribution, yaw inertia, and friction coefficients. A Bayesian framework, employing a mixed-categorical Gaussian Process (GP), correlates closed-loop performance metrics between real and digital systems, effectively and efficiently transferring information from the digital to the real world.

Questa tesi presenta lo sviluppo di una strategia di controllo Adaptive Twin-in-the-Loop (Til-A) per la dinamica laterale di veicoli ad alte prestazioni, con un focus specifico sulla Ferrari 488 GTB. Il lavoro affronta la complessa sfida di ottimizzare i pesi del controllore riducendo al minimo la necessità di test estensivi nel mondo reale, attraverso un approccio Sim2Real innovativo che integra Digital Twins (DTs) e Bayesian Optimization (BO). La strategia di controllo selezionata è un Model Predictive Controller (MPC), che sfrutta le capacità di un sistema Steer-by-Wire per implementare lo sterzo attivo anteriore. Ottimizzando la dinamica laterale non lineare del veicolo, l'MPC mira a seguire efficacemente le velocità di imbardata di riferimento. Per garantire la conformità ai requisiti computazionali in tempo reale, il modello del veicolo viene linearizzato localmente, facilitando la riformulazione del problema di controllo in un contesto di programmazione quadratica. Questa tesi introduce un algoritmo di ottimizzazione progettato per regolare in modo efficiente i parametri dell'MPC su sistemi reali, minimizzando al contempo la necessità di esperimenti reali estensivi. L'approccio utilizza una metodologia Sim2Real, impiegando sistemi simulati, o Digital Twins, per ottenere informazioni sul sistema reale. L'algoritmo combina dati da esperimenti reali con simulazioni, eseguendo i DTs in parallelo e incorporando la randomizzazione del dominio per modellare le incertezze del mondo reale, come le variazioni nella distribuzione delle masse, l'inerzia di imbardata e i coefficienti di attrito. Un contesto bayesiano, che utilizza un Processo Gaussiano misto-categorico, mette in correlazione le metriche di prestazione ad anello chiuso tra sistemi reali e digitali, trasferendo efficacemente ed efficientemente le informazioni dal mondo digitale a quello reale.