Human-in-the-loop suspension tuning via sensor guided active preference learning

Calibrating vehicle suspensions for optimal ride comfort is a challenging task, hindered by the subjective nature of human perception and the inefficiency of traditional tuning methods. State-of-the-art preference-based optimization algorithms, such as GLISp, address subjectivity by learning from simple pairwise comparisons but operate as pure "black-box" systems, ignoring valuable quantitative data from on-board sensors, which leads to slow convergence. This thesis introduces a novel Sensor-Guided Regularized GLISp framework that overcomes this limitation. The proposed method integrates objective sensor data, such as vertical acceleration and pitch rate, directly into the learning process through a physics-informed regularization term. This transforms the optimization into a more efficient "grey-box" problem, where the algorithm’s surrogate model is guided by both the user’s qualitative preferences and a physically meaningful hypothesis. Through rigorous Monte Carlo simulations on a dynamic half-car model, the regularized approach is shown to consistently outperform the standard GLISp, demonstrating significantly faster convergence, superior final solution quality, and greater robustness. The result is a more efficient, reliable, and interpretable tool for human-in-the-loop calibration, effectively bridging the gap between subjective comfort and objective vehicle dynamics.

La calibrazione delle sospensioni di un veicolo per un comfort di guida ottimale è un compito complesso, ostacolato dalla natura soggettiva della percezione umana e dall’inefficienza dei metodi di taratura tradizionali. Gli algoritmi di ottimizzazione basati su preferenze allo stato dell’arte, come il GLISp, affrontano la soggettività apprendendo da semplici confronti a coppie, ma operano come sistemi puramente "black-box", ignorando preziosi dati quantitativi provenienti dai sensori di bordo, il che porta a una convergenza lenta. Questa tesi introduce un nuovo framework, il Sensor-Guided Regularized GLISp, che supera questa limitazione. Il metodo proposto integra dati oggettivi dei sensori, come l’accelerazione verticale e la velocità di beccheggio, direttamente nel processo di apprendimento attraverso un termine di regolarizzazione basato sulla fisica del sistema. Ciò trasforma l’ottimizzazione in un problema "grey-box" più efficiente, in cui il modello surrogato dell’algoritmo è guidato sia dalle preferenze qualitative dell’utente sia da un’ipotesi fisicamente significativa. Attraverso rigorose simulazioni Monte Carlo su un modello dinamico "half-car", si dimostra che l’approccio regolarizzato supera costantemente il GLISp standard, mostrando una convergenza significativamente più rapida, una qualità della soluzione finale superiore e una maggiore robustezza. Il risultato è uno strumento più efficiente, affidabile e interpretabile per la calibrazione human-in-the-loop, che colma efficacemente il divario tra il comfort soggettivo e la dinamica oggettiva del veicolo.