La "maneggevolezza" o "Handling" è la proprietà indicativa della facilità di guida di un veicolo. Prendendo in considerazione i veicoli a due ruote, la prova di Lane-Change (cambio corsia) si dimostra particolarmente adeguata a quantificare la maneggevolezza in quanto consente di ricavare degli indici numerici quantitativi (LCRI), grazie ai quali è possibile confrontare le prestazioni di differenti veicoli. In questo contesto, la tesi, a partire dall’analisi di dati sperimentali relativi a generici test su pista, si pone l’obiettivo di ricavare numericamente, tramite l’identificazione e la simulazione di sistemi dinamici, risultati di prove di Lane-Change senza che queste vengano effettivamente eseguite. L’utilizzo di sistemi dinamici identificati numericamente dalle acquisizioni del veicolo mediante metodologie di interpolazione "classica" si rivela efficace in fase di simulazione, ma risulta difficoltoso ottenere buoni livelli di fitting basandosi sulle acquisizioni a disposizione. Il training di Reti Neurali per il medesimo scopo, seppur più oneroso dal punto di vista computazionale, ha portato ad alcuni promettenti risultati. Si concentreranno in questo ambito le ricerche future.
Studio sperimentale e numerico dell'handling di veicoli a due ruote
COSTACURTA, ANDREA
2022/2023
Abstract
La "maneggevolezza" o "Handling" è la proprietà indicativa della facilità di guida di un veicolo. Prendendo in considerazione i veicoli a due ruote, la prova di Lane-Change (cambio corsia) si dimostra particolarmente adeguata a quantificare la maneggevolezza in quanto consente di ricavare degli indici numerici quantitativi (LCRI), grazie ai quali è possibile confrontare le prestazioni di differenti veicoli. In questo contesto, la tesi, a partire dall’analisi di dati sperimentali relativi a generici test su pista, si pone l’obiettivo di ricavare numericamente, tramite l’identificazione e la simulazione di sistemi dinamici, risultati di prove di Lane-Change senza che queste vengano effettivamente eseguite. L’utilizzo di sistemi dinamici identificati numericamente dalle acquisizioni del veicolo mediante metodologie di interpolazione "classica" si rivela efficace in fase di simulazione, ma risulta difficoltoso ottenere buoni livelli di fitting basandosi sulle acquisizioni a disposizione. Il training di Reti Neurali per il medesimo scopo, seppur più oneroso dal punto di vista computazionale, ha portato ad alcuni promettenti risultati. Si concentreranno in questo ambito le ricerche future.File | Dimensione | Formato | |
---|---|---|---|
Costacurta_Andrea.pdf
accesso riservato
Dimensione
8.15 MB
Formato
Adobe PDF
|
8.15 MB | Adobe PDF |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/47283