| Abstract | Ovaj završni rad bavi se problemom energetski učinkovitog usmjeravanja
okretnog momenta za EV (električna vozila) s izravnim pogonom na četiri kotača,
koristeći algoritme strojnog učenja, posebno logističku regresiju. Glavni cilj rada je
istražiti, razviti i optimalno kalibrirati upravljačku strategiju koja će omogućiti optimalnu
raspodjelu momenta na kotačima vozila, u svrhu unapređenja energetske
učinkovitosti.
Rad započinje uvodom u električna vozila i njihove prednosti, nakon čega slijedi
pregled autonomnih vozila i sustava prediktivne vožnje. Ovi koncepti postavljaju
temelje za razumijevanje važnosti učinkovitog upravljanja momentom u modernim
električnim vozilima.
U teorijskom dijelu rada objašnjava se osnova dinamike vozila, s posebnim
naglaskom na sustave raspodjele momenta kod vozila s više motora. Bit će objašnjeni
ključni pojmovi kao što su dinamika vozila, raspodjela momenta, upravljačke strategije
i algoritmi optimizacije. Također, detaljno će biti objašnjena logistička regresija, njezini
principi, te način na koji se koristi za optimizaciju u kontekstu električnih vozila.
Praktični dio rada uključuje izradu simulacijskih modela koji će omogućiti analizu
različitih scenarija raspodjele momenta u stvarnim uvjetima vožnje. Simulacije će biti
provedene pomoću algoritma dinamičkog programiranja (DP) koji optimizira
upravljačke varijable u širokom rasponu brzina i uvjeta na cesti. Bit će prikazani
rezultati simulacija, uključujući grafove raspodjele momenta, potrošnje energije, te
analizu promjena u performansama vozila u različitim situacijama.
Uz tekstualni dio, rad će sadržavati brojne slike i grafove koji će vizualizirati
dinamiku vozila, strukturu modela, rezultate simulacija te usporedbe različitih strategija
optimizacije. Prikazani će biti i dijagrami tokova podataka koji ilustriraju proces obrade
podataka u sustavu za prediktivnu vožnju i primjenu logističke regresije.
Rad završava zaključkom u kojem se sumiraju glavni rezultati i doprinosi
istraživanja, te se predlažu smjernice za buduće radove i primjene istraženih metoda
u praksi. |
| Abstract (english) | This thesis addresses the problem of energy-efficient torque vectoring for EVs
(electric vehicles) with direct four-wheel drive, using machine learning algorithms,
specifically logistic regression. The main goal of the thesis is to explore, develop, and
optimally calibrate a control strategy that will enable the optimal distribution of torque
to the vehicle’s wheels, with the aim of improving energy efficiency.
The work begins with an introduction to electric vehicles and their advantages,
followed by a review of autonomous vehicles and predictive driving systems. These
concepts lay the foundation for understanding the importance of efficient torque
management in modern electric vehicles.
The theoretical part of the thesis explains the basics of vehicle dynamics, with
a particular focus on torque distribution systems in multi-motor vehicles. Key concepts
such as vehicle dynamics, torque distribution, control strategies, and optimization
algorithms will be explained. Logistic regression will also be explained in detail,
including its principles and how it is used for optimization in the context of electric
vehicles.
The practical part of the thesis includes the development of simulation models
that will enable the analysis of various torque distribution scenarios in real driving
conditions. Simulations will be conducted using the dynamic programming (DP)
algorithm, which optimizes control variables across a wide range of speeds and road
conditions. The simulation results will be presented, including torque distribution
graphs, energy consumption, and an analysis of vehicle performance changes in
different situations.
In addition to the text, the thesis will contain numerous images and graphs that
will visualize vehicle dynamics, model structure, simulation results, and comparisons
of different optimization strategies. Data flow diagrams illustrating the data processing
process in the predictive driving system and the application of logistic regression will
also be shown.
The thesis concludes with a summary of the main results and contributions of
the research, along with suggestions for future work and practical applications of the
explored methods. |
