Elnyerte a HUN-REN SZTAKI kutatóinak pályázata az Amerikai Légierő Tudományos Kutatási Hivatala (Air Force Office of Scientific Research - AFOSR) támogatását. A „Combining analytic and data-driven machine-learning based methods for efficient adaptive dynamic modelling” című pályázatot Tóth Roland, Péni Tamás és Vanek Bálint, a HUN-REN SZTAKI kutatói közösen készítették. A kutatók az ARNL kutatásaiban is tevékenyen részt vesznek.
A kutatás célja olyan új elmélet és új algoritmikus eszközök kifejlesztése, amelyekkel olyan általános rendszerek – köztük járművek – adatvezérelt modellezési problémáit lehet megoldani, ahol a dinamikákról előzetesen nincs elégséges tudás, ezért olyan automatizált modellezési folyamatra van szükség, amely képes a modellt akár online is adaptálni a rendszer mérési adatai alapján.
A kutatás konkrétan azzal az esettel foglalkozik, amikor a modell jelentősen eltér a rendszer dinamikájának adott, fizikailag jól ismert alapmodelljéhez képest, akár gyártási tűrések, akár a dinamika bonyolult aspektusainak pontatlan ismerete, akár a dinamika működés közbeni hirtelen változásai miatt.
Az alapmodell gyors adaptációs képességének biztosítása érdekében az ARNL kutatóinak célja a dinamikára vonatkozó adott előzetes tudás és a rendszer mért adatainak hatékony fúziója.
Ezért új modellkiterjesztési módszereket javasolnak, amelyek a gépi tanuláson alapuló rendszeridentifikáció legkorszerűbb megközelítéseire épülnek: Gauss-regressziós módszerekre, valamint mélytanulást alkalmazó, úgynevezett állapottér mesterséges neurális hálózati (state-space artificial neural network - SS-ANN) modelleken alapuló eljárásokra.
A kibővített modellstruktúrákra építve olyan újszerű szabályozástervezési módszertant készülnek kifejleszteni, amely alkalmas ezen kibővített modellekre hatékony, optimális, visszacsatolás és predikció alapú szabályozók tervezéséhez, amelyek gyors valós-idejű műveletek esetén is működnek. A HUN-REN SZTAKI kutatói szeretnék elérni, hogy a hatékony modelltanulás és a jól bevált szabályozó-tervezés fúziójából olyan adaptív tanuló algoritmusok jöjjenek létre, amely biztonsági és teljesítmény garanciák mellett biztosítják az eszközök folyamatos működését.