News

Using dynamic programming, as introduced previously, we eventually found the shortest route to the summit. We are finally at the top of the mountain! Naturally, many of us will directly reach for our phones. Perhaps to take a selfie with friends, to construct a panorama of neighbouring mountain tops, or maybe to record a video of some alpine birds effortlessly gliding around.

Finalmente possiamo pianificare il nostro percorso verso la vetta! In questo post lo faremo in modo sistematico, scoprendo che il problema si collega direttamente all’apprendimento per rinforzo.

Dopo essere saliti sulla funivia e aver apprezzato la fluidità del viaggio (in parte grazie al controllo automatico!), prendiamo rapidamente un caffè prima di salire sulla cima.

In questa seconda fase lasciamo la valle e saliamo un po' più in alto. Naturalmente potremmo camminare o arrampicarci, ma godiamoci una straordinaria opera ingegneristica e prendiamo una funivia.

Iniziamo la nostra escursione in una tipica valle svizzera: campi verdi ben curati, alcuni accoglienti chalet, ma soprattutto una mandria di mucche curiose che ci danno il benvenuto.

Nella nostra nuova serie di approfondimenti, lasciate che Wouter Jongeneel vi guidi alla scoperta sia della Svizzera che della regolazione automatica.

Se avete letto qualcosa sul controllo automatico, avrete sicuramente sentito parlare del controllo predittivo del modello (MPC), ma di cosa si tratta? Scopriamolo osservando come alcuni dei nostri ricercatori lo stanno applicando sui treni.

You've probably heard of reinforcement learning (or RL for short) if you've spent any time reading about technology or control theory, but what does it really mean? Let us explain.

If you've heard about game theory but don't really know what it is or what it means, this game by Nicky Case is a great starting point. (please note that Nicky Case is not associated with NCCR Automation - we just think this is a great resource).

While neural networks often achieve impressive performance, they sometimes fail to capture simple concepts that humans understand intuitively – a gap that may even put lives at risk. But can we transfer our human knowledge to neural networks to help them learn more meaningful solutions? NCCR Automation researcher Loris Di Natale has a plan to make sure automated machines don’t freeze us out.