EKF-based parameter estimation for MPC applied to lateral vehicle dynamics

Research about model-based techniques (MPC) applications for automotive drivingis nowadays experiencing an increasing interest thanks to improvements on hardwarecapabilities. Those allow for computationally heavy techniques as non-linear MPC is.MPC-based techniques rely on models of the controlled plant for predicting future state-space vectors. Such models are either not accurate enough for the purpose or affected byuncertainties, hence potentially causing a lack of robustness. By updating the predictionsmodel in run-time, learning-based MPC techniques are theoretically suitable to increasemodel/plant resemblance hence system performance.This thesis is focused in the study of application of a learning technique when theuncertainty of the model is of type parametric, i.e., the structure and the order of themodel is known, but some relevant parameters are uncertain or varying. Such a learn-ing technique is based on a recursion of the well-known extended Kalman filter, thatmakes use of the measured (noiseless) states for estimating the unknown parameters ofthe model.The study is performed on a Matlab simulation environment where the lateral dy-namics of a ground vehicle are controlled. For the purpose, different trajectories areused as references for a simulated vehicle that is intended to keep a minimum lateraldeviation from them. Two different models are tested: kinematic and dynamic. For thefirst case, one parameter is estimated:the distance between the rear axis and the center ofgravity of the vehicle. The dynamic model has two uncertain parameters, correspondingto cornering stiffness coefficients of both front and rear tyres. Those are depending onroad-vehicle friction coefficient, hence could resemble an unknown road condition case.Simulation results proved that at the cost of an increased computational time, it ispossible to improve the lateral dynamics as consequence of a better estimation value forthe uncertain parameter.Intresset för forskning på tillämpningar av modellbaserade tekniker för autonomkörning är på uppgång tack vare ökad hårdvarukapacitet. Den ökade kapaciteten gördet möjligt att använda beräkningsmässigt krävande tekniker såsom olinjär MPC. MPC-baserade tekniker bygger på att en modell av systemet används för att beräkna framtidatillståndsvektorer. Sådana modeller kan emellertid vara alltför inexakta för den tänktatillämpningen eller vara under påverkan av osäkerheter, vilket kan leda till brist på ro-busthet. Genom att uppdatera modellen under körning, kan modellen förbättras ochdärmed även systemets perstanda. Ur ett teoretiskt persektiv är inlärnigsbaserade MPC-tekniker väl lämpade för detta ändamål.I detta arbete ligger fokus på att studera tillämpningar av en inlärningsteknik närosäkerheten i modellen är parametrisk, d.v.s. när modellens struktur är känd men detfinns osäkerhet i parametrarnas värden. En sådan inlärningsteknik bygger på rekursionav det välkända utökade Kalmanfiltret, i vilket uppmätta tillstånd (fria från mätbrus)används till att uppskatta de okända parametrarna i modellen.Studien genomfördes i en simuleringsmiljö i Matlab, i vilken den laterala dynamikenhos fordonet kan kontrolleras. För detta ändamål, användes flera olika referensbanor tillvilka det simulerade fordonet skulle hålla så liten lateral avvikelse från som möjligt. Idet första fallet uppskattas endast en parameter, nämligen avståndet mellan den bakreaxeln och fordonets tyngdpunkt. I den dynamiska modellen uppskattas däremot tvåparametrar; styvhetskoefficienterna för både bakre och främre däck. Dessa beror frik-tionskoefficient mellan väg och fordon och kan därför ses som ett fall i vilket underlagetär okänt.Simuleringsresultat visar på att det är möjligt att förbättra den laterala dynamiken,som följd av bättre uppskattning av den okända parameterns värde, men att detta skertill priset av ökad beräkningstid