Sfida 1: fattori abilitanti dell’automazione

Collaboratori: F. Dörfler, G. Ferrari Trecate, C. Jones, M. Kamgarpour, A. Karimi

I nuovi sviluppi nel campo del controllo soffrono ancora di un divario tra teoria e pratica, caratterizzato dauna mancanza di applicabilità, dalla dipendenza da ipotesi non verificabili o da contesti di problemi limitati e da vincoli di robustezza o sensibilità al rischio non soddisfatti. 

Collaboratori: A. Censi, E. Frazzoli, M. Kamgarpour, A. Karimi, V. Medici

Gli approcci esistenti spesso non riescono a rappresentare le fonti di incertezza nei sistemi reali, il che potrebbe comportare rischi etici e di responsabilità significativi.  

Collaboratori: F. Corman, M. Kamgarpour, A. Krause, H. Nax

Modelli affidabili delle preferenze e dei processi decisionali degli utenti sono fondamentali in vari modi: nello sviluppo di sistemi cyber-fisici-umani che siano affidabili ed equi; nello sviluppo di sistemi di supporto alle decisioni; nella modellazione e nel controllo dei mercati acquirente-venditore. I modelli analitici tradizionali spesso non sono all’altezza, ma gli approcci basati sui dati soffrono dell’inefficienza dei campioni e della mancanza di interpretabilità. 

Collaboratori: S. Bolognani, A. Censi, F. Dörfler, E. Frazzoli, N. He, M. Kamgarpour, H. Nax

Prenderemo in considerazione una serie di casi impegnativi di processo decisionale competitivo multi-agente: giochi in cui i giocatori devono apprendere i loro obiettivi; giochi per l’allocazione equa ed efficiente di una risorsa condivisa senza scambio monetario (giochi «karma»); giochi a più stadi che devono essere risolti online in modalità a orizzonte mobile. 

Collaboratori: S. Bolognani, F. Dörfler, G. Ferrari Trecate, S. Mastellone, C. Jones

Gli argomenti trattati comprendono requisiti come i certificati di dissipatività, gli aspetti numerici della progettazione e dell’ottimizzazione del controllo scalabile, il controllo distribuito e cooperativo e l’identificazione decentralizzata del sistema (per mitigare le sfide legate alla protezione delle informazioni proprietarie del modello), in vista, tra le altre cose, di applicazioni nei sistemi elettrici e ferroviari. 

Collaboratori: A. Censi, F. Dörfler, E. Frazzoli, A. Hannák, N. He, D. Kuhn

Intendiamo modellare, studiare e progettare sistemi dinamici su larga scala all’interno di spazi di misura, un quadro di modellazione adatto ai sistemi composti da una grande moltitudine di agenti, ma il cui comportamento complessivo e le cui prestazioni sono descritte dall’aggregato delle singole parti (come i sistemi di trasporto o le catene di approvvigionamento globali nonché i sistemi sociali). 

Collaboratori: C. Jones, J. Lygeros, M. Zeilinger

I metodi di controllo basati sull’ottimizzazione, come il controllo predittivo del modello, l’ottimizzazione in tempo reale e la pianificazione ottimale, sono gli approcci ideali per i sistemi che operano sotto una serie di vincoli. Il nostro obiettivo è quello di esplorare metodi computazionali per la risoluzione di problemi di controllo basati sull’apprendimento automatico o su modelli predittivi basati sui dati. 

Collaboratori: A. Censi, E. Frazzoli

Studieremo problemi di co-progettazione relativi a sistemi interattivi, distribuiti e su larga scala, adottando un approccio olistico che consideri le funzioni del sistema, i suoi vincoli e l’obiettivo di realizzare un’architettura essenziale e mirata ai compiti da svolgere. Nel complesso panorama della co-progettazione, che richiede la navigazione tra componenti fisici e software, entrano in gioco molteplici obiettivi, tra cui il costo, il consumo energetico, l’affidabilità e l’accettazione da parte del pubblico. 

Collaboratori: A. Censi, E. Frazzoli, N. He, A. Krause, N. Kiyavash

L’apprendimento per rinforzo sfrutta la capacità degli agenti di apprendere e compiere decisioni ottimali in ambienti diversi. Affronteremo le sfide che l’apprendimento per rinforzo deve affrontare in ambienti complessi (dagli spazi d’azione che crescono esponenzialmente alle difficoltà di apprendimento di strutture gerarchiche di compiti) da tre direzioni. 

Collaboratori: A. Censi, G. Ferrari Trecate, E. Frazzoli, A. Krause, A. Rupenyan

La nostra ricerca sul controllo con apprendimento permanente si basa su contesti rilevanti per NCCR Automation, con l’obiettivo di sviluppare ambienti di prova e parametri di riferimento applicabili al mondo reale. I domini applicativi principali sono i gemelli digitali utilizzati per i sistemi di produzione avanzati, i sistemi energetici (come i parchi eolici) e i veicoli autonomi. 

Collaboratori: F. Dörfler, G. Ferrari Trecate, C. Jones, A. Krause, J. Lygeros

Come possiamo consentire un adattamento rapido e affidabile per i sistemi non lineari variabili nel tempo? Quali sono le garanzie di rendimento adeguate? Come possiamo identificare e monitorare modelli di sistema non parametrici online? Come possiamo impiegare controllori che minimizzano i rimpianti nel contesto di un controllo con apprendimento permanente? E come possiamo impiegare l’apprendimento per rinforzo basato su modelli adattivi per il controllo con apprendimento permanente? 

Collaboratori: A. Censi, E. Frazzoli, A. Hannák

Andando oltre i principi algoritmici, consideriamo il problema più ampio della progettazione di sistemi affidabili per il controllo con apprendimento permanente. Quali aspetti dei modelli/controllori devono essere aggiornati a quali intervalli di tempo (in tempo reale, episodici o basati su eventi ecc.)? Possiamo co-progettare i componenti del sistema e i relativi controllori? E quali sono le implicazioni etiche, considerato che l’apprendimento automatico è noto per amplificare i pregiudizi umani preesistenti nel processo decisionale e persino per introdurne di nuovi?