Bases méthodologiques
Nous créons des méthodes, des architectures de systèmes et des algorithmes qui traitent de grandes quantités de données du monde physique et qui en extraient des décisions fiables et efficaces pour le contrôle et le réglage.
La science des données, l’apprentissage artificiel et les disciplines apparentées permettent à l’infrastructure informatique d’appréhender le monde physique. Sur la base de ce savoir, les techniques d’automation et de contrôle fournissent les mécanismes permettant à l’infrastructure informatique de faire prendre une certaine direction à des machines, dispositifs et systèmes physiques entiers. Le PRN Automation vient fermer cette boucle de contrôle en développant les bases méthodologiques requises pour le contrôle de systèmes complexes. A cette fin, nous travaillons sur les thèmes de recherche ci-dessous.
- Control in a data rich world: les systèmes automatisés gagnent en complexité, et leur contrôle se fait de plus en plus à l’aide de données. Prendre les bonnes décisions en se basant sur cette abondance de données et en tirer des enseignements pertinents pour le contrôle: tel est l’enjeu au cœur de cette recherche.
- Control in an uncertain world: tout système automatisé peut être sujet à des dysfonctionnements. Il peut s’agir de défaillances des composantes du système ou du réseau de communication, d’influences externes imprévues ou de perturbations dues à des comportements humains. Notre objectif est d’élaborer des systèmes de contrôle robustes et résistants, capables de faire face aux conditions réelles.
- Distributed hierarchical control & optimisation: plus un système d’automation grandit, plus les unités de contrôle centralisées sont mises face à leurs limites. Afin de mettre nos méthodes à l’échelle de ces systèmes toujours plus grands, nous développons des techniques de contrôle et d’optimisation distribuées dotées d’une structure hiérarchisée.
