Aprendizaje seguro para sistemas de control usando métodos Bayesianos
Los invitamos al webinar organizado por el grupo de Dinámica de Maquinaria en el 5to Ciclo de Conferencias IMEC:
Aprendizaje seguro para sistemas de control usando métodos Bayesianos
La teoría moderna de control no lineal trata de dar a los sistemas dinámicos propiedades de estabilidad y seguridad, y se ha aplicado con éxito en múltiples ámbitos. A pesar de este éxito, la incertidumbre y errores en los modelos sigue siendo un reto importante a la hora de sintetizar controladores seguros y estables, lo que provoca una degradación del rendimiento. Los algoritmos de aprendizaje por refuerzo (RL), por su parte, han tenido éxito en el control de sistemas sin modelo alguno, pero es limitado más allá de las aplicaciones simuladas, y una razón principal es la ausencia de garantías de seguridad y estabilidad durante el proceso de aprendizaje. Para resolver este problema, complementamos una arquitectura de controladores que combina un controlador basado en RL sin modelo con controladores basados en modelos que utilizan funciones de Lyapunov y de Barrera (CLFs y CBFs, respectivamente) y el aprendizaje en línea de la dinámica del sistema desconocido, para garantizar la estabilidad y la seguridad durante el aprendizaje. Este marco general aprovecha el éxito de los algoritmos RL para aprender controladores de alto rendimiento, mientras que los controladores basados en CLF-CBF garantizan la seguridad y guían el proceso de aprendizaje restringiendo el conjunto de políticas explorables. Validamos este método en simulación y en una plataforma Segway.
Conferencista: Carlos Montenegro
Es Ingeniero Mecánico de la Universidad de los Andes, donde recientemente acaba de finalizar su Magíster en Ingeniería Mecánica. Se ha desempeñado como asistente graduado de docencia en el Departamento de Ingeniería Mecánica. Asimismo, obtuvo el Premio Saber PRO por ser uno de los más altos puntajes del país en el Examen de Estado de la Calidad en Educación Superior - Saber PRO. Su investigación en su Magíster estuvo enfocada en el aprendizaje de modelos probabilísticos para sintetizar sistemas de control seguro y estable para sistemas dinámicos no lineales en ambientes desconocidos.
Fue ganador de la beca PyTorch Scholarship Challenge ofrecida por Facebook y actualmente es un visiting scholar en la Universidad de Purdue en el laboratorio: Programmable Structures Lab, donde se encuentra investigando en control de fuerza y posición para manipuladores seriales con un efector final suave.
Si desea asistir a este webinar debe inscribirse previamente y hacer clic en el siguiente enlace en el horario indicado.