Coordinated multi-actuation vehicle dynamics control through adaptive model predictive control with fuzzy logic tuning

Model Predictive Control (MPC) provides a systematic approach that computes optimal control actions by solving a finite-horizon optimization problem subject to vehicle dynamics and constraints. Traditional static MPC uses fixed cost function weights, forcing a compromise between tracking accuracy, actuator effort, and constraint adherence that may not hold under changing driving conditions. This thesis presents a dynamic tuning strategy based on fuzzy logic that adapts MPC weight matrices online according to the current driving context. This strategy enhances performance and robustness without compromising real-time feasibility. The MPC framework is implemented in MATLAB/Simulink coupled with IPG CarMaker. The vehicle model is extended to six states (longitudinal speed, sideslip angle, yaw rate, longitudinal acceleration, heading error, lateral error), and introduces safety constraints (Kamm circle, electronic brake force distribution). Compared to static tuning, the dynamic scheme reduces lateral RMSE and sharpens yaw rate response, all while keeping QP solver iterations well within real time limits. Actuator commands become notably smoother, with lower spikes. A noise robustness study, injecting realistic measurement and parameter disturbances, confirms that the benefits of dynamic tuning persist under uncertainty. Performance is assessed in different representative maneuvers. The results demonstrate that online, fuzzy logic driven weight scheduling significantly enhances MPC performance, robustness, and comfort across diverse driving scenarios, offering a practical approach to advanced vehicle control systems.

Il Controllo Predittivo di Modello (MPC) offre un metodo sistematico per calcolare azioni di controllo ottimali risolvendo un problema di ottimizzazione a orizzonte finito soggetto a dinamiche del veicolo e vincoli di sicurezza. Il MPC tradizionale "statico" utilizza pesi fissi nella funzione di costo, il che impone un compromesso tra l'accuratezza nell'inseguimento del riferimento, lo sforzo degli attuatori e il rispetto dei vincoli. Questa tesi propone una strategia di taratura dinamica basata sulla logica fuzzy che consente di adattare online i pesi del MPC al contesto di guida attuale, migliorando le prestazioni e la robustezza senza compromettere la fattibilità in tempo reale. Il framework MPC viene implementato in MATLAB/Simulink integrato con IPG CarMaker. Il modello del veicolo è stato esteso a sei stati (velocità longitudinale, angolo di deriva, velocità angolare di imbardata, accelerazione longitudinale, errore di imbardata, errore laterale) e applica vincoli di sicurezza (cerchio di Kamm, distribuzione elettronica della forza frenante). Rispetto alla taratura statica, lo schema dinamico riduce l’RMSE laterale e migliora la risposta in imbardata mantenendo le iterazioni del risolutore QP ben entro i limiti in tempo reale. I comandi agli attuatori risultano più fluidi, con picchi ridotti. Uno studio di robustezza al rumore, conferma che i vantaggi della taratura dinamica permangono anche in presenza di incertezza. Le prestazioni vengono valutate in diverse manovre rappresentative. I risultati dimostrano che la schedulazione online dei pesi basata su logica fuzzy migliora significativamente prestazioni, robustezza e comfort del MPC in scenari di guida eterogenei, offrendo un percorso pratico per sistemi avanzati di controllo del veicolo.