A Data-Driven Framework for Car-in-the-Loop Test Bench Control and Optimization

The mega-trends in automotive industry, from advanced driver assistance systems to electrification and autonomous driving, are driving the further development of the "Road-to-Rig" concept. This results in the emergence of the multi-dynamic complete vehicle test benches, which simulate dynamic driving scenarios in different degrees of freedom simultaneously under laboratory conditions. The Car-in-the-Loop (CiL) concept, which has its advantages in terms of compactness and modularity, belongs to this class of test benches.

For the purpose of proof-of-concept, a quarter-vehicle CiL prototype was built in the laboratory of the Institute for Mechatronic Systems at the Technical University of Darmstadt. Previous work on the CiL control demonstrates the potential of the model-based controllers for the control of the test bench longitudinal dynamics. However, the control strategy that is implemented results in undesired oscillations on the side shaft of the vehicle under test (VUT) during dynamic driving scenarios that capture the tire slip and load change phenomena. Moreover, the drive torque from the VUT, which is not necessarily available in practice, is assumed known.

To address these issues, a data-driven framework called AI4CiL (A Data-drIven framework for Car-in-the-Loop control and optimization) is proposed in this work. It combines the test bench control with machine learning techniques. In AI4CiL, different model-based controllers that have the potential to improve the reference tracking quality and disturbance rejection behaviour are integrated. A generalized performance evaluation function is suggested, serving as the objective function for the core algorithm. To be specific, in AI4CiL, a Gaussain Process provides a model that maps the optimization variables to the performance evaluation function. Bayesian Optimization utilizes this model to acquire the next iteration location which is supposed to maximize the performance improvement.

In this work, a variety of AI4CiL applications are implemented for the CiL control and optimization. Among others, AI4CiL is used to learn performance-driven models, which are optimized directly under closed-loop conditions with the aim to improve the control performance. Furthermore, safeOpt-type algorithm is integrated into AI4CiL to safely optimize the controllers directly on the CiL prototype. The optimized controllers are experimentally validated with dynamic driving scenarios on the CiL prototype. It is demonstrated that different controllers are best suitable for different scenarios. For example, the LQG controller shows the best disturbance rejection behaviour, without inducing oscillations on the side shaft of the VUT. Finally, all the controllers demonstrate good reproducibility and robustness by performing tests on the CiL prototype at different steering positions.

In summary, with the help of AI4CiL, the control performance of the CiL concept for dynamic driving scenarios is significantly improved. Further development of controllers or optimization algorithms can be easily integrated into the existing structure. In addition, due to its practicability and flexibility, the proposed framework AI4CiL can be transferred for the control and optimization of other multi-dynamic complete vehicle test benches.

Die Megatrends in der Automobilindustrie, von Fahrerassistenzsystemen über Elektrifizierung bis hin zum autonomen Fahren, treiben die Weiterentwicklung des "Road-to-Rig"-Konzepts voran. Dies führt zum Aufkommen der multidynamischen Gesamtfahrzeugprüfstände, die dynamische Fahrszenarien in verschiedenen Freiheitsgraden gleichzeitig unter Laborbedingungen simulieren. Das Car-in-the-Loop (CiL)-Konzept, das seine Vorteile in der Kompaktheit und Modularität hat, gehört zu dieser Klasse von Prüfständen.

Zum Zweck des Proof-of-Concept wurde am Institut für Mechatronische Systeme an der Technischen Universität Darmstadt ein CiL-Prototyp für ein Viertelfahrzeug aufgebaut. Bisherige Arbeiten zur CiL-Regelung haben das Potenzial der modellbasierten Regler für die Längsdynamikregelung des Prüfstandes gezeigt. Die implementierte Regelungsstrategie führt jedoch bei dynamischen Fahrszenarien zu unerwünschten Schwingungen an der Seitenwelle des Prüflings (VUT). Außerdem wird das Antriebsmoment des VUT als bekannt vorausgesetzt.

Um diese Probleme zu lösen, wird in dieser Arbeit ein datengesteuertes Framework AI4CiL (A Data-drIven framework for Car-in-the-Loop control and optimization) vorgeschlagen. Es kombiniert die Prüfstandsregelung mit den Techniken des maschinellen Lernens. In das AI4CiL werden verschiedene modellbasierte Regler integriert, die das Potenzial haben, die die Folgeregelung und die Störungsunterdrückung zu verbessern. Es wird eine verallgemeinerte Regelgüte vorgeschlagen, die als Zielfunktion für den Kernalgorithmus dient. Im AI4CiL liefert ein Gauß-Prozess ein Modell, das die Optimierungsvariablen auf die Zielfunktion abbildet. Die Bayes’sche Optimierung nutzt dieses Modell, um die nächste Iterationsstelle zu ermitteln, die die Verbesserung der Zielfunktion maximieren soll.

In dieser Arbeit wird eine Vielzahl von AI4CiL-Anwendungen für die CiL-Regelung und -Optimierung implementiert. Unter anderem wird AI4CiL verwendet, um Performanz getriebene Modelle zu trainieren, die direkt in geschlossenen Regelkreis mit dem Ziel optimiert werden, die Regelgüte zu verbessern. Darüber hinaus wird der safeOpt-Algorithmus in AI4CiL integriert, um die Regler direkt auf dem CiL-Prototyp sicher zu optimieren. Die optimierten Regler werden mit dynamischen Fahrszenarien auf dem CiL-Prototyp experimentell validiert. Es zeigt sich, dass verschiedene Regler für unterschiedliche Szenarien am besten geeignet sind. Beispielsweise zeigt der LQG-Regler das beste Verhalten bei der Unterdrückung von Störungen, ohne Schwingungen an der Seitenwelle des VUT zu verursachen. Schließlich zeigen alle Regler eine gute Reproduzierbarkeit und Robustheit, indem sie Tests in verschiedenen Lenkpositionen des CiL-Prototyps durchführen.

Zusammenfassend lässt sich sagen, dass mit Hilfe des AI4CiL die Regelgüte des CiL Konzepts für die Simulation der dynamischen Fahrszenarien deutlich verbessert wird. Weiterentwicklungen von Reglern oder Optimierungsalgorithmen können leicht in die bestehende Struktur integriert werden. Darüber hinaus kann das vorgeschlagene Framework AI4CiL aufgrund seiner Praktikabilität und Flexibilität auch für die Regelung und Optimierung anderer multidynamischer Gesamtfahrzeugprüfstände übertragen werden.