Se desarrolla un marco de aprendizaje automático para interpretar el estado de los subsistemas del vehículo a partir de datos de sensores, proporcionando información útil para sistemas de control adaptativos. Usando la suspensión del vehículo como estudio de caso, se recopilan datos inerciales de maniobras de conducción, incluyendo frenado y toma de curvas, para alimentar un prototipo de clasificador XGBoost. El clasificador luego pseudoetiqueta un conjunto de datos ejemplar más grande adquirido de sesiones en la calle y en pista, que se utiliza para entrenar un modelo de inferencia capaz de una generalización robusta tanto en conducción regular como en rendimiento. Un enfoque de calificación de ventana deslizante superpuesta con ponderación exponencial inversa suaviza las fluctuaciones transitorias mientras preserva la capacidad de respuesta. Las predicciones de modo semántico en tiempo real resultantes describen con precisión la dinámica actual del vehículo y pueden informar a un sistema de control predictivo del modelo que puede ajustar los parámetros de la suspensión y actualizar las restricciones internas para mejorar el rendimiento, la comodidad de marcha y la longevidad de los componentes. La metodología se extiende a otros componentes, como los sistemas de frenos, ofreciendo un camino escalable hacia un control de vehículo completamente auto-optimizado en plataformas convencionales y autónomas.