A kutatás fő célkitűzése: új utak keresése az adat-modell paraméterezés-tervezés és analízis háromszögben. Az ipari elvárásokra épülve cél a tanulás alapú, adaptív nemlineáris irányítások tervezése elsősorban változó környezeti körülmények között működő, gyors autonóm rendszerek (robotok, kvadkopterek, autók) számára, amelyek verifikálhatóak és validálhatóak, azaz megbízhatóságuk és működésük minőségi tulajdonságai (performancia, robosztusság) ellenőrizhetőek, bizonyíthatóak.

A kutatási téma járműirányítási feladatok kapcsán szeretné megvizsgálni, hogy milyen kontextusban és hogyan lehetséges közvetlenül a mért adatokból valamilyen irányítási célt elérni (tervezés), illetve megvizsgálni a már megtervezett illetve megvalósított irányítás minőségét (performancia analízis és validáció). A cél nem az úgynevezett tanulási algoritmusok integrálása, amik legtöbbször valamilyen képi információn alapuló intelligens szenzorok, hanem hangsúlyosan a klasszikus szenzorok és a rájuk épülő irányítási sémák. Az alapkérdés: használhatjuk-e a rendelkezésre álló méréseket/adatokat intelligensebb (hatékonyabb) módon, mint ahogyan azt eddig tettük, különös tekintettel amár létező eljárásokkal összevetve, pld. adaptív, qLPV tervezés és analízis.

  • Alapkutatások a modellezés, modell redukció és modell identifikáció területén. Lineáris változó paraméterű és modell prediktív irányítási módszerek pályatervezéshez, jármű hossz- és keresztirányú mozgásának szabályozásához.
  • Optimális irányítás kidolgozása gépi tanulás segítségével. A komplex, számításigényes nemlineáris optimalizációs feladatok gépi tanulással történő támogatása az egyszerűbb valósidejű implementálhatóság érdekében.
  • Adatgyűjtési kampány során járműdinamikai és forgalmi jellemzők mérése, adatfeldolgozása. A publikus adatforrások feltérképezése. A nagymennyiségű adatbázis cloudban való processzálási lehetőségeinek vizsgálata.

_____

Publikációk:

  • Fényes Dániel, Németh Balázs, Gáspár Péter: A Novel Data-Driven Modeling and Control Design Method for Autonomous Vehicles / Energies, 14(2), 2021
  • Lelkó Attila, Németh Balázs, Gáspár Péter: Stability and tracking performance analysis for control systems with feed-forward neural networks / ECC'21, elfogadva.