Approccio DataDriven per l'identificazione dei parametri del veicolo (Digital Twin) = DataDriven approach to vehicle model (digital twin) identification

Con la crescente spinta nel settore automobilistico dello sviluppo basato sui modelli, il ruolo di quest'ultimi diventa sempre più importante: essi sono repliche virtuali di veicoli che forniscono una fotografia dello stato del mezzo in tempo reale e consentono, tramite predizioni e simulazioni, di sperimentare miglioramenti o cambiamenti senza doverli testare sul veicolo stesso. Tipicamente, la costruzione dei modelli digitali viene fatta facendo dei test nella vita reale sui vari componenti dell'automobile dalla quale i dati vengono presi ed usati per popolare ed aggiornare il modello, ma il testing ha un costo esigente in termini di tempo, soldi, risorse e personale, per cui diventa fondamentale trovare approcci più efficaci. L'obiettivo di questa tesi è di stabilire delle nuove metodologie che ci permettano di costruire dei modelli digitali con il giusto livello di fedeltà e dinamica, minimizzando allo stesso tempo i requisiti per i vari test, per esempio, attraverso l'eliminazione di alcune componenti di test e la massimizzazione dei test di guida che tipicamente vengono svolti. L'approccio al Machine Learning viene utilizzato per raggiungere questo scopo. Il punto di inizio della costruzione del modello consiste nel trovare tutti i parametri di partenza da immettervi: essi provengono dai test sull'auto, ma alcuni richiesti dal modello vengono stimati o calcolati in vari modi. Per poter poi catturare correttamente la dinamica del veicolo in test ed integrarla nel modello, è necessario modellarne la compliance e la cinematica, che a sua volta caratterizza il comportamento di guida della vettura per diverse manovre. Questo è stato fatto trovando un'alternativa al K&C, utilizzando uno stimatore interno all'azienda che stima gli spostamenti angolari delle ruote a partire dalle velocità angolari dei giroscopi. Il modello così, una volta pronto, viene sfruttato per predire alcuni coefficienti contenuti nel modello degli pneumatici tramite il Machine Learning. Vengono dapprima allenati dei regressori utilizzando gli ingressi e le uscite delle numerose simulazioni del modello, per poi usarli per stimare i parametri del modello degli pneumatici "reali" a partire da alcune risposte del veicolo catturate nei test; infine, tramite il confronto dei dati delle predizioni con i dati reali vengono così valutate le prestazioni di tutto il processo.