Twin-embedded Model Predictive Control

Model Predictive Control (MPC) is a well-established and widely adopted technique in industrial control applications. However, traditional MPC formulations rely on simplified control-oriented models to ensure real-time feasibility. This simplification inherently limits achievable performance, as the controller's effectiveness is bounded by model fidelity. Recent advancements in Digital Twin (DT) technology have enabled the development of accurate and computationally efficient virtual replicas of complex systems. However, despite this progress, the Sim2Real challenge persists, as such high-fidelity models still remain largely disconnected from real-time control architectures. This thesis proposes a Twin-Embedded Model Predictive Control framework, which allows to incorporate a Digital Twin instead of the conventional control-oriented prediction model inside the MPC optimization loop. By embedding the DT directly into the MPC scheme, the optimal control problem becomes a black-box optimization task, since typically no analytical model is available. To address this challenge, the framework must leverage black-box optimization strategies suitable for real-time implementation. This thesis advances the state of the art by formalizing the Twin-Embedded MPC framework, investigating and comparing multiple black-box optimization algorithms, namely Gradient Descent, BFGS, the Unscented Kalman Filter, and Bayesian Optimization, and proposing warm-start strategies to improve convergence speed. The effectiveness of the approach is demonstrated through a vehicle yaw rate tracking case study in demanding driving scenarios.

Il Model Predictive Control (MPC) rappresenta una tecnica consolidata e ampiamente adottata nelle applicazioni di controllo industriale. Tuttavia, le formulazioni tradizionali di MPC si basano su modelli semplificati orientati al controllo per garantire l'implementazione in tempo reale. Tale semplificazione limita intrinsecamente le prestazioni raggiungibili, poiché l'efficacia del controllore è vincolata alla fedeltà del modello. I recenti progressi nella tecnologia dei Digital Twin (DT) hanno reso possibile lo sviluppo di repliche virtuali accurate ed efficienti dal punto di vista computazionale di sistemi complessi. Nonostante tali avanzamenti, la sfida del Sim2Real persiste, poiché questi modelli ad alta fedeltà rimangono in larga misura scollegati dalle architetture di controllo in tempo reale. Questa tesi propone un framework di Twin-Embedded Model Predictive Control, il quale permette l'uso di un Digital Twin in sostituzione al modello predittivo orientato al controllo convenzionalmente impiegato all'interno del ciclo di ottimizzazione dell'MPC. Integrando direttamente il DT nello schema MPC, il problema di controllo ottimo assume la natura di un problema di ottimizzazione black-box, in quanto tipicamente non è disponibile un modello analitico esplicito. Per affrontare tale criticità, tale framework necessita ricorrere a strategie di ottimizzazione black-box compatibili con l'implementazione in tempo reale. Il presente lavoro contribuisce allo stato dell'arte formalizzando il paradigma Twin-Embedded MPC, analizzando e confrontando diversi algoritmi di ottimizzazione black-box, in particolare Gradient Descent, BFGS, Unscented Kalman Filter e Bayesian Optimization, e proponendo strategie di warm-start per migliorarne la velocità di convergenza. L'efficacia dell'approccio è dimostrata attraverso un caso di studio relativo al controllo della dinamica laterale di un veicolo in condizioni di guida al limite delle capacità dinamiche del veicolo.