Geïntegreerd leren en optimaliseren voor interactiebewuste MPC

Autonome navigatie in onzekere omgevingen, waar voertuigen (autonome auto's, robots, drones) moeten communiceren met andere voertuigen of andere gebruikers (bijv. voetgangers), is een zeer uitdagende controletaak. Daarom is de ontwikkeling van realtime MPC-strategieën die rekening houden met interactie en onzekerheid zeer wenselijk. Traditionele manieren om met onzekerheid om te gaan, zoals robuuste of stochastische benaderingen, zijn ofwel te conservatief of te risicogevoelig. Bovendien gaan MPC-methodologieën er doorgaans van uit dat het onzekere gedrag van omringende gebruikers volledig exogeen is, waardoor er geen rekening wordt gehouden met interactie. Om expliciet rekening te houden met interacties, is het doel van dit doctoraatsproject om stochastische modellen te ontwikkelen voor de omringende gebruikers wiens probabilistische structuur afhangt van de toestanden en acties van andere gebruikers. De overgangskansen worden online geleerd met behulp van machine learning op een bewegende horizon-manier om rekening te houden met dynamische omgevingen. Bovendien zal de voorgestelde methodologie een natuurlijk mechanisme bieden voor het real-time leersysteem om exploitatie en exploratie veilig in evenwicht te brengen, aangezien de optimale input exploratief zal zijn (dat wil zeggen, geassocieerd met meer onzekere toestandsovergangen) alleen als het risico voldoende laag is. De resulterende NMPC-formuleringen zullen leiden tot optimale controleproblemen die complexer en grootschaliger zijn dan wat geavanceerde embedded solvers aankunnen. Het doel van dit project is om embedded optimalisatie en online leeralgoritmen te ontwikkelen voor interactiebewuste MPC voor autonome navigatie in onzekere omgevingen.