Riassunto analitico
Lo scopo del lavoro di tesi è la costruzione di uno strumento per l’esecuzione dell’analisi comparativa di profili di velocità di vetture da competizione, con lo scopo finale di focalizzare lo sviluppo della vettura nelle aree deboli rispetto alla concorrenza. Si tratta di un lavoro incentrato sull’analisi dati ed accompagnato dall’utilizzo di modelli di simulazione. Per ottimizzare ed automatizzare la manipolazione dell’ingente mole di dati si è scelto di utilizzare il linguaggio di programmazione Python, andando ad unire le potenzialità della programmazione alle conoscenze di dinamica del veicolo.
Il lavoro di tesi è strutturato in tre parti principali: il pre-processing e manipolazione dei segnali sorgente, l’applicazione di un algoritmo di AI per la pulizia dei segnali, ed il post-processing dei dati in termini di analisi di prestazioni della concorrenza.
Nella prima parte della tesi è stata presa dimestichezza con il linguaggio di programmazione Python e con la struttura ed il tipo dei dati a disposizione. Si sono quindi manipolate grandi quantità di dati, andando a classificare ed ordinare le informazioni. Dovendo fare un’analisi di performance basata su profili di velocità, il focus è stato posto sui dati delle coordinate di longitudine e latitudine di ciascuna vettura in pista, durante una certa sessione di un certo weekend di gara.
Nella seconda parte della tesi si sono utilizzate le coordinate GPS di ciascuna vettura per il calcolo dei profili di velocità. Uno dei principali problemi dell’intero lavoro è legato al fatto che i profili di velocità ottenuti a partire dai dati a disposizione sono molto rumorosi, presentando dei picchi positivi e negativi apparentemente casuali. Si sono quindi applicate e testate numerose metodologie di filtraggio, tutte però accomunate da un risultato poco preciso e poco robusto. Da uno studio più approfondito dei dati a disposizione si è riusciti a comprendere la natura del rumore nei profili di velocità; sulla base di questa nuova informazione è stata ideata e scritta in linguaggio Python una funzione in grado di azzerare i picchi più pronunciati. Per una pulizia ancora più spinta del segnale, a valle della funzione di filtraggio si è testato l’utilizzo delle reti neurali (intelligenza artificiale – algoritmo di Deep Learning).
L’ultima parte del lavoro riguarda la fase di post-processing dei profili di velocità: è stata creata la parte dell’intero strumento che li va a comparare e che permette quindi di effettuare un’analisi delle performance di diverse vetture. Il tool è stato ideato in modo che fosse in grado di avere in input sia i profili di velocità filtrati ricavati dai dati pista GPS, output dello step precedente, sia delle generiche coordinate di longitudine e latitudine di vetture, dalle quali poi ricavare i profili di velocità. Il post-processing è stato strutturato in modo tale che l’utilizzatore del tool abbia la possibilità di fare due macro tipologie di analisi di performance: la cosiddetta ‘analisi su giro singolo’, in cui di ogni vettura si vanno a comparare i profili di velocità del giro più veloce, e la cosiddetta ‘analisi statistica’, in cui per ogni vettura si vanno a considerare più giri, li si mette a confronto con i giri delle altre vetture e si vanno a ricavare dei parametri medi di performance. Da questi confronti sono stati ricavati valori numerici di metriche specifiche ed utilizzati per lo sviluppo vettura tramite software di simulazione dedicati.
|
Abstract
The aim of the thesis work is to build a tool for performing comparative analysis of speed profiles of racing cars, with the final aim of focusing the development of the car in the weak areas compared to the competitors. This work focuses on data analysis and is accompanied by the use of simulation models. To optimize and automate the manipulation of the huge amount of data, the Python programming language was chosen, combining the potential of programming with knowledge of vehicle dynamics.
The thesis work is structured in three main parts: the pre-processing and manipulation of the source signals, the application of an AI algorithm for signal cleaning, and the post-processing of the data in terms of performance analysis of the competitors.
In the first part of the thesis, familiarity was gained with the Python programming language and with the structure and type of data available. Large amounts of data were then manipulated, classifying and ordering the information. Having to do a performance analysis based on speed profiles, the focus was placed on the data of the longitude and latitude coordinates of each car on the track, during a certain session of a certain race weekend.
In the second part of the thesis, the GPS coordinates of each car were used to calculate the speed profiles. One of the main problems of the entire work is linked to the fact that the speed profiles obtained from the available data are very noisy, presenting apparently random positive and negative peaks. Numerous filtering methodologies were therefore applied and tested, all of which, however, shared a result that was not very precise and not very robust. From a more in-depth study of the available data, it was possible to understand the nature of the noise in the speed profiles; on the basis of this new information, a function capable of eliminating the most pronounced peaks was designed and written in Python language. For an even more thorough cleaning of the signal, downstream of the filtering function, the use of neural networks (artificial intelligence - Deep Learning algorithm) was tested.
The last part of the work concerns the post-processing phase of the speed profiles: the part of the entire tool that compares them and therefore allows for an analysis of the performance of different cars was created. The tool was designed so that it could have as input both the filtered speed profiles obtained from the GPS track data, output of the previous step, and the generic longitude and latitude coordinates of cars, from which the speed profiles could then be obtained. The post-processing was structured so that the user of the tool could perform two macro types of performance analysis: the so-called ‘single lap analysis’, in which the speed profiles of the fastest lap are compared for each car, and the so-called ‘statistical analysis’, in which for each car several laps are considered, they are compared with the laps of the other cars and average performance parameters are obtained. From these comparisons, numerical values of specific metrics were obtained and used for vehicle development through dedicated simulation software.
|
