Inlärningsalgoritmer i allt från gående robotar till smarta nät och intelligenta transporter
– är en ständigt ökande del av moderna tekniska lösningar
Inlärningsalgoritmer har redan visat stor potential att leverera högpresterande lösningar på komplexa dynamiska problem, allt från gående robotar till spel. De kommer att spela en allt större roll i modern säkerhetskritisk infrastruktur som smarta nät och intelligenta transporter. Deras uppkomst i säkerhetskritiska system är dock inte problemfritt.
På en övergripande nivå handlar Ingvar Ziemanns forskning om att integrera maskininlärningsteori med styrteori och systemidentifiering.
– En stor del av mitt arbete har handlat om att identifiera “fundamentala begränsningar”. Grovt sett informerar dessa “omöjlighetsresultat” oss om att tillämpning av inlärningsalgoritmer på vissa styrsystem kommer att resultera i dålig prestanda och kan vara mycket osäkra, säger Ingvar Ziemann.
Under de senaste åren, har teorigemenskapen tagit itu med många “grundläggande” frågor. De börjar få en bra teoretisk förståelse för hur de grundläggande modellerna inom vårt område, styr och interagerar med maskininlärning.
– Jag ser fram emot att se och bidra till att dessa resultat blir mer praktiska och visar upp faktisk algoritmdesign, säger Ziemann.
Han är också spänd på att se hur skärningspunkten mellan maskininlärning och kontroller kommer att utvecklas under de närmaste åren.
– Jag tror att kontrollteoretiker nu har utmärkta verktyg för att hantera säkerhet, robusthet och grundläggande begränsningar, säger han.
Ziemann fick ta emot priset till “Best Student Paper Award” på IEEE Conference on Decision and Control i Cancun.
– Det teoretiska perspektivet på min forskning gör att den direkta nyttan av mitt arbete oftast inte syns omedelbart, så att få ta emot priset för bästa studentuppsats på CDC är enormt motiverande. Erkännandet av mitt arbete gör mig otroligt glad, och jag är mer peppad än någonsin på att fortsätta, säger Ingvar Ziemann.
Kontakt:
