PHYSICS-INFORMED NEURAL NETWORKS PER LA DINAMICA LATERALE DEI VEICOLI

Al giorno d’oggi si sono già affermati tanti tool automatici e non che, partendo dai dati sperimentali, ci permettono di identificare offline la caratteristica di assale degli pneumatici. La disponibilità di modelli accurati della dinamica del veicolo e degli pneumatici rappresenta così un requisito fondamentale per lo sviluppo di sistemi avanzati di controllo. Tuttavia, le caratteristiche effettive dello pneumatico possono variare durante il suo funzionamento a causa delle condizioni del fondo stradale e, più in generale, delle condizioni operative dello stesso. L’impiego di parametri nominali costanti può pertanto determinare una progressiva perdita di accuratezza del modello e ridurre l’efficacia delle strategie di controllo basate su di esso. Il presente lavoro propone lo sviluppo di un estimatore dei parametri di Pacejka, front e rear, su veicolo e imposto questo target il metodo scelto per raggiungerlo sono le Physics-Informed Neural Networks (PINNs), dove l’informazione derivante dai dati viene integrata con una rappresentazione fisica control-oriented del sistema. La metodologia combina una rete neurale multistrato con un modello a bicicletta e una formulazione ridotta della Magic Formula di Pacejka, utilizzati per introdurre vincoli fisici all’interno del processo di apprendimento.