< Terug naar vorige pagina

Project

Distributioneel Robuuste Model-predictieve controle voor veiligheidskritische systemen: met Toepassingen in Autonoom Rijden

De beschikbaarheid van betrouwbare methoden voor datagestuurde, optimale besluitvorming onder onzekerheid is van cruciaal belang in verschillende vakgebieden, waaronder operations research, regeltechniek, machine learning en vele andere gespecialiseerde toepassingsgebieden. Huidige (black-box) machine learning technieken, ondanks hun vele successen, bieden nog steeds zeer weinig garanties met betrekking tot juistheid en veiligheid. Dit beperkt sterk hun geschiktheid voor veel veiligheidskritische toepassingen. Hoewel dit probleem gedeeltelijk kan worden verholpen door verdere toename van rekenkracht en datasetgroottes, is deze strategie onvoldoende voor toepassingen zoals robotica, waarbij rekenhardware of de beschikbaarheid van kwalitateitsvolle data beperkt vaak beperkt zijn. Deze dissertatie heeft tot doel het hoofd te bieden aan deze uitdagingen door nieuwe methodologieën te ontwikkelen voor datagedreven besluitvorming en controle, die toepasbaar zijn op online gebruik (waarin data geleidelijk, tijdens de werking van het systeem, ontvangen wordt), en die daarnaast garanties bieden met betrekking tot performantie en veiligheid. Hiertoe dient distributioneel robuuste optimalisatie (DRO) als ons belangrijkste theoretische instrument, aangezien het per definitie reeds een deel van deze gewenste eigenschappen reeds garandeert. Bovendien maakt de conceptuele eenvoud ervan het tot een veelzijdige strategie die toepasbaar is op veel specifieke problemen. In het bijzonder benadrukken we de volgende bijdragen van dit werk: (i) We beschrijven distributioneel robuuste technieken voor de constructie van stabiliserende regelaars voor Markov jump lineaire systemen, waarbij de verdeling van het onderliggende stochastische proces onbekend is; (ii) We ontwikkelen een theoretisch kader voor distributioneel robuuste model predictive control van algemene (niet-lineaire) Markov jump systemen (ook wel Markov switching systemen genoemd). Dit leidt tot risico-averse optimalisatieproblemen over meerdere tijdsstappen, opgebouwd uit geneste risicomaten zowel in de kost als in de beperkingen.; (iii) Om deze problemen efficiënt op te lossen, stellen we numeriek hanteerbare herformuleringen voor, die rechtstreeks opgelost kunnen worden door commerciële solvers. Daarnaast ontwikkelen we op basis van onze herformulering, een op maat gemaakte, sterk parallelleerbare oplossingsmethode voor, en we tonen aan dat deze zelfs op basis van een prototype-implementatie in Julia competitief is met beschikbare alternatieven; (iv) We stellen een nieuwe DRO-methode voor, genaamd Cost-Aware Distributionally Robust Optimization (Cadro), die door gebruik te maken van de structuur van de kostfunctie bij het opbouwen van de bijhorende ambiguity set, minder conservatieve oplossingen oplevert voor data-gedreven DRO-problemen, met behoud van bovenstaande garanties; en (v) We rapporteren een aantal casestudies rond autonoom rijden en illustreren op basis hiervan de effecten van relevante ontwerpbeslissingen in de ontwikkelde technieken.

Datum:9 aug 2018 →  10 nov 2023
Trefwoorden:Control, Safe, Machine Learning
Disciplines:Controlesystemen, robotica en automatisatie, Ontwerptheorieën en -methoden, Mechatronica en robotica, Computertheorie, Modellering, Biologische systeemtechnologie, Signaalverwerking, Toegepaste wiskunde, Computerarchitectuur en -netwerken, Distributed computing, Informatiewetenschappen, Informatiesystemen, Programmeertalen, Scientific computing, Theoretische informatica, Visual computing, Andere informatie- en computerwetenschappen
Project type:PhD project