Optimization frameworks for twin-in-the-loop systems in control and estimation

This thesis advances the literature of Twin-in-the-Loop (TiL) systems, analyzing TiL observers, controllers, and controller-tuning frameworks. TiL observers (TiL-F) leverage black-box Digital Twins (DT) to predict the system states, employing a correction law to ensure the DT tracks the physical system. Due to the black-box nature of the DT, calibrating the observer parameters from data results in a high-dimensional zeroth-order optimization problem. This thesis proposes two complementary strategies to address this challenge. The first approach utilizes supervised and unsupervised dimensionality-reduction techniques to identify and exploit the problem's effective low-dimensional subspace. The second approach directly leverages high-dimensional Bayesian Optimization (BO), introducing methodological enhancements to improve local convergence and reduce computational time. The proposed methods are validated on a unified vehicle state-estimation task and outperform finely-tuned state-of-the-art benchmarks. The second architecture addressed in this work is TiL controllers (TiL-C). Here, a nominal controller is closed on a digital twin that runs in parallel with the physical plant. A compensator is then employed to ensure that the physical system tracks the optimal virtual trajectory. In this thesis, we expand the TiL-C applications portfolio in lateral and vertical vehicle dynamics control; compare one-shot and iterative controller tuning algorithms; investigate different compensator structures, and characterize the direction of perturbations between simulation and reality. Results show faster optimization convergence and higher performance compared to baseline TiL tuning methods and existing benchmarks. Finally, we present an innovative multi-source Bayesian optimization framework (adaptive TiL), where BO is used with multiple sources of information: one being the real system and the others randomized digital twins. A multi-output Gaussian process fuses real and simulated data and a multi-source acquisition function is defined to handle parallel evaluations on the different sources, yielding reduced uncertainty and markedly faster convergence.

Questa tesi contribuisce alla ricerca sui sistemi Twin-in-the-Loop (TiL), analizzando osservatori TiL, controllori e framework per la calibrazione di controllori. Gli osservatori TiL (TiL-F) sfruttano Digital Twin (DT) black-box per predire gli stati del sistema, impiegando una legge di correzione per garantire che il DT insegua il sistema fisico. A causa della natura black-box del DT, la calibrazione dei parametri dell'osservatore a partire dai dati si traduce in un problema di ottimizzazione di ordine zero ad alta dimensionalità. Questa tesi propone due strategie complementari per affrontare tale problematica. Il primo approccio utilizza tecniche di riduzione della dimensionalità, sia supervisionate che non supervisionate, per identificare e sfruttare il sottospazio efficace a bassa dimensionalità del problema. Il secondo approccio sfrutta direttamente l'Ottimizzazione Bayesiana (BO) ad alta dimensionalità, introducendo miglioramenti metodologici per favorire la convergenza locale e ridurre i tempi di calcolo. I metodi proposti sono stati testati su un caso di studio di stima unificata dello stato dinamico di un veicolo, e hanno superato i benchmark di riferimento. La seconda architettura trattata in questo lavoro è quella dei controllori TiL (TiL-C). In questa configurazione, un controllore nominale è chiuso su un Digital Twin che opera in parallelo con il sistema fisico. Un compensatore viene quindi impiegato per garantire che il sistema fisico insegua la traiettoria virtuale ottima. In questa tesi, estendiamo le applicazioni del TiL-C al controllo delle dinamiche laterali e verticali del veicolo; confrontiamo algoritmi di ottimizzazione di ordine zero one-shot e iterativi; esploriamo diverse strutture di compensatore; e analizziamo la direzione delle perturbazioni tra simulazione e realtà. I risultati evidenziano una convergenza dell'ottimizzazione più rapida e prestazioni superiori rispetto ai metodi di tuning TiL di riferimento e ai benchmark disponibili. Infine, viene presentato un innovativo framework di Ottimizzazione Bayesiana multi-sorgente (adaptive TiL), in cui la BO utilizza molteplici fonti di informazione, costituite dal sistema reale e da Digital Twin randomizzati. Un Processo Gaussiano multi-output integra dati reali e simulati e viene definita una funzione di acquisizione multi-source per gestire valutazioni parallele sulle diverse fonti, conseguendo una ridotta incertezza e una convergenza marcatamente più rapida.