Design and experimental validation of MPC-based speed control strategies for an autonomous motorcycle

In recent years, autonomous vehicle technologies have progressed rapidly, yet their application to two-wheeled vehicles remains challenging due to the inherent instability and complex dynamics of motorcycles. This thesis tackles the problem by designing, implementing, and experimentally validating a Model Predictive Control (MPC) strategy for longitudinal control on a fully electric motorcycle, the Eva Ribelle commercialized by Energica Motor Company. The developed control problem is designed around a simplified linear vehicle model. Two solvers are implemented and compared: a Quadratic Programming (QP) approach with single shooting, and a more general Sequential Quadratic Programming (SQP) formulation with multiple shooting, suitable for future non linear extensions. The complete system was first deployed in simulation environment through the use of VI-Grade, and then onboard the motorcycle and tested on a real test track, addressing practical challenges such as input/output management, initialization, constraint handling, and execution time optimization, using the CasADi framework. Experimental results validate the controller behaviour under real operating conditions and confirm improved speed reference tracking and smoother torque application compared to the baseline PI controller, with execution times compatible with real-time requirements. Following the results obtained with the optimal speed control, an MPC-based torque allocator was developed to manage the distribution of regenerative and BBW braking torque during deceleration phase, replicating the baseline dynamic allocator in an optimal control environment and paving the way for future integrated implementations. The work lays a solid foundation for future developments in optimization-based and full autonomous control of two-wheeled vehicles.

Negli ultimi anni, le tecnologie per i veicoli autonomi hanno compiuto rapidi progressi, ma la loro applicazione ai veicoli a due ruote resta complessa a causa dell’instabilità intrinseca e della dinamica articolata delle motociclette. Questa tesi affronta il problema progettando, implementando e validando sperimentalmente una strategia di controllo longitudinale basata sul Model Predictive Control (MPC), applicata a una moto completamente elettrica, la Eva Ribelle commercializzata da Energica Motor Company. Il problema di controllo è costruito su un modello del veicolo lineare semplificato. Sono stati implementati e confrontati due solutori: un approccio basato su Programmazione Quadratica (QP) con single shooting e una formulazione più generale di Programmazione Sequenziale Quadratica (SQP) con multiple shooting, adatta a future estensioni non lineari. Il sistema completo è stato inizialmente testato in ambiente di simulazione mediante l’uso della piattaforma VI-Grade, e successivamente integrato a bordo della motocicletta e validato in pista, affrontando problematiche pratiche come la gestione degli ingressi/uscite, l'inizializzazione, la gestione dei vincoli e l’ottimizzazione dei tempi di esecuzione, tramite il framework CasADi. I risultati sperimentali confermano il corretto funzionamento del controllore in condizioni reali e mostrano un miglior inseguimento del riferimento di velocità e un’applicazione della coppia più regolare rispetto al controllore PI di riferimento, con tempi di calcolo compatibili con i requisiti real-time. Sulla base dei risultati ottenuti nel controllo ottimo della velocità, è stato sviluppato un allocatore di coppia basato su MPC per gestire la distribuzione tra coppia rigenerativa e frenata BBW durante la fase di decelerazione, replicando in un contesto di controllo ottimo il comportamento dell’allocatore dinamico di riferimento e aprendo la strada a future implementazioni integrate. Questo lavoro rappresenta una solida base per futuri sviluppi nel controllo autonomo e basato su ottimizzazione dei veicoli a due ruote.