DATA DRIVEN CONTROL DESIGN

Ingegneria Informatica DATA DRIVEN CONTROL DESIGN

0622700085
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
EQF7
COMPUTER ENGINEERING
2022/2023

YEAR OF COURSE 2
YEAR OF DIDACTIC SYSTEM 2017
AUTUMN SEMESTER
CFUHOURSACTIVITY
324LESSONS
324LAB
Objectives
L’INSEGNAMENTO PRESENTA LE PRINCIPALI TECNICHE DI CONTROLLO DATA DRIVEN FINALIZZATA ALLA ALLA PROGETTAZIONE DI SISTEMI AUTONOMI ATTRAVERSO IL CONTROLLO IN RETROAZIONE A PARTIRE DA DATI, IN GRADO DI GARANTIRE SICUREZZA E PRESTAZIONI PER I SISTEMI CONTROLLATI. GLI ASPETTI METODOLOGICI SONO INTEGRATI CON LO SVILUPPO DI CASI STUDIO INTERESSANTI NEL CAMPO DEI SISTEMI AUTONOMI, ATTRAVERSO I MODERNI STRUMENTI E AMBIENTI DI SVILUPPO.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE
ALGORITMI PER DETERMINARE POLITICHE DI CONTROLLO SUBOTTIMALI A PARTIRE DAI DATI. VANTAGGI E SVANTAGGI DEI DIVERSI ALGORITMI. PROPRIETÀ DI CONVERGENZA DELLE TECNICHE.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE
FORMULARE E RISOLVERE PROBLEMI DI CONTROLLO APPLICANDO METODI E POLITICHE DI CONTROLLO BASATI SUI DATI. VALUTARE I COMPROMESSI PROGETTUALI NELL’UTILIZZO DEGLI ALGORITMI PIÙ DIFFUSI. UTILIZZARE SISTEMI DI SIMULAZIONE E STRUMENTI DI SVILUPPO BASATI SUL CALCOLATORE. VALUTARE LE PRESTAZIONI SU APPLICAZIONI.
Prerequisites
L'INSEGNAMENTO PRESUPPONE CONOSCENZE SUL CONTROLLO DI SISTEMI DINAMICI CON PARTICOLARE RIFERIMENTO A SISTEMI IN RETROAZIONE. TALI COMPETENZE POSSONO ESSERE ACQUISITE NEL CORSO DI AUTOMAZIONE
Contents
UNITÀ DIDATTICA 1 – INTRODUZIONE AL PROBLEMA DEL CONTROLLO DAI DATI
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 7/1/4)
- 1 (2 ore lezione). INTRODUZIONE AL DATA-DRIVEN CONTROL, MOTIVAZIONE E LEGAMI CON LA SCIENZA DELLE DECISIONI
- 2 (2 ore lezione/1 ora esercitazione). UTILIZZO DEI DATI PER IL CONTROLLO, CONCETTI DI PROBABILITA’ BAYESIANA E TEORIA DELL’INFORMAZIONE/CALCOLARE FUNZIONI DI PROBABILITA’ DAI DATI
- 3 (2 ore laboratorio). SVILUPPO DI UN ALGORITMO PER IL CALCOLO DI FUNZIONI DI PROBABILITA’ DA DATI REALI.
- 4 (3 ore lezione). ELEMENTI DI OTTIMIZZAZIONE CONVESSA ED ALGORITMI PER IL CALCOLO DI PUNTI DI MINIMO
- 5 (2 ore laboratorio). SVILUPPO DI ALGORITMI GRADIENT E STOCHASTIC GRADIENT DESCENT, CON APPLICAZIONI ALLA STIMA AI MINIMI QUADRATI
CONOSCENZE E CAPACITÀ DI COMPRENSIONE. Definizione e modellistica di problemi di controllo dai dati, concetti di ottimizzazione e teoria della probabilità per la risoluzione del problema di controllo
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE. Anche tramite l’ausilio del calcolatore: algoritmi per il calcolo di funzioni di probabilità e per la risoluzione di problemi convessi. Linguaggio utilizzato: Python

UNITÀ DIDATTICA 2 – APPROCCI RISOLUTIVI PER IL PROBLEMA DI CONTROLLO
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/2/2)
- 1 (2 ore lezione). CONNESSIONE TRA IL PROBLEMA DI CONTROLLO OTTIMO DAI DATI ED I MARKOV DECISION PROCESS. FUNZIONI VALORE
- 2 (1 ore lezione/2 ore esercitazione). DERIVAZIONE DELL’EQUAZIONE DI BELLMAN ED ESEMPI
- 3 (1 ora lezione/2 ore laboratorio). TECNICA RISOLUTIVA BASATA SUL GRADIENTE/LABORATORIO SU SVILUPPO DI ALGORITMO DI CONTROLLO BASATO SUL GRADIENTE
CONOSCENZE E CAPACITÀ DI COMPRENSIONE. Conoscenza delle principali tecniche risolutive basate su funzioni valore e gradiente, con relativi aspetti computazionali
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE. Anche tramite l’ausilio del calcolatore: applicazione delle tecniche risolutive e sviluppo di algoritmi di controllo basati su stime del gradiente tramite strumenti off-the-shelf. Linguaggio utilizzato: Python

UNITÀ DIDATTICA 3 – ALGORITMI DI NATURA PROBABILISTICA
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 6/2/6)
- 1 (3 ore lezione). MOTIVAZIONI TRAMITE IL PROBLEMA DELLA SINTESI DI AZIONI DI CONTROLLO DA ESEMPI, TECNICHE RISOLUTIVE
- 2 (2 ore laboratorio). SINTESI DI UN ALGORITMO DI CONTROLLO DA DATI DI ESEMPIO
- 3 (1 ora esercitazione/1 ora lezione). SEMPLIFICAZIONE DELL’ALGORITMO/IL CONTROLLO KL
- 4 (2 ore laboratorio). INGEGNERIZZAZIONE DI UN CONTROLLORE KL
- 5 (2 ore lezione/1 ora esercitazione). ALGORITMI DI TRACKING DATA-DRIVEN/ESEMPI IMPLEMENTATIVI
- 6 (2 ore laboratorio). SINTESI DI CONTROLLORI PROBABILISTICI CON RIUTILIZZO DEI DATI
CONOSCENZE E CAPACITÀ DI COMPRENSIONE. Principali tecniche probabilistiche per la sintesi di politiche di controllo dai dati, analisi di vantaggi/svantaggi delle principali tecniche di controllo
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE. Anche tramite l’ausilio del calcolatore: applicazione delle tecniche risolutive e sviluppo di algoritmi di controllo in environment off-the-shelf. Linguaggio utilizzato: Python

UNITÀ DIDATTICA 4 – IL CONTROLLO DATA-DRIVEN INDIRETTO
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 5/1/1)
- 1 (2 ore lezione/1 ora esercitazione). DEFINIZIONE DELLE TECNICHE DATA-DRIVEN INDIRETTE ED ALGORITMI FONDAMENTALI/SINTESI DI CONTROLLORI INDIRETTI DI NATURA LQR ED MPC IN PYTHON
- 2 (3 ore lezione). IL PRINCIPIO DI CERTEZZA, UTILIZZO DI MODELLI PARZIALI E TECNICHE PER L’INTEGRAZIONE DI MPC E LEARNING
- 3 (1 ora laboratorio). SVILUPPO DI UN CONTROLLORE DATA-DRIVEN INDIRETTO
CONOSCENZE E CAPACITÀ DI COMPRENSIONE. IL principio di certezza e le sue applicazioni ingegneristiche, concetti base di MPC ed utilizzo in ambito data-driven
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE. Sviluppo di algoritmi di controllo data-driven indiretti con strumenti off-the-shelf. Linguaggio utilizzato: Python

UNITÀ DIDATTICA 5 – PROGETTAZIONE DI UN SISTEMA DI CONTROLLO DATA-DRIVEN
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/2/3)
- 1 (2 ore lezione). DESCRIZIONE DEL PROBLEMA DI CONTROLLO SPECIFICO E DELLE RELATIVE TECNICHE RISOLUTIVE
- 2 (2 ore esercitazione). ANALISI DELLE TECNICA RISOLUTIVE, DEI TRADE-OFF E DEGLI ASPETTI IMPLEMENTATIVI
- 3 (3 ore laboratorio). SVILUPPO DEL CONTROLLORE IDENTIFICATO, DISCUSSIONE DEI RISULTATI PRELIMINARI
CONOSCENZE E CAPACITÀ DI COMPRENSIONE. Analisi sistematica dei requisiti del sistema di controllo, determinazione delle scelte progettuali, analisi dei trade-off.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE. Anche tramite l’ausilio del calcolatore: presentazione e discussione dei requisiti e delle scelte progettuali.

TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO (24/8/16)
Teaching Methods
IL CORSO SI ARTICOLA IN LEZIONI FRONTALI (24 ORE), ESERCITAZIONI (8 ORE) E LABORATORI (16 ORE).

LE LEZIONI FRONTALI CONSENTIRANNO ALLO STUDENTE DI ACQUISIRE LE CONOSCENZE DI RELATIVE ALLA SINTESI DI SISTEMI DI CONTROLLO DAI DATI.

LE ESERCITAZIONI ED I LABORATORI CONSENTIRANNO ALLO STUDENTE DI SVILUPPARE LE CAPACITÀ E DI APPLICARE TALI CONOSCENZE.

L’INSEGNAMENTO PREVEDE ANCHE LO SVILUPPO DI UN ELABORATO DI GRUPPO FINALIZZATO ALL’ACQUISIZIONE DELLE SUDDETTE CAPACITÀ. LO SVILUPPO DELL’ELABORATO SARÀ DISCUSSO CON LA CLASSE IN 6 ORE DELL’INSEGNAMENTO E INDIVIDUALMENTE CON LO STUDENTE DURANTE LE ORE DI RICEVIMENTO DEL DOCENTE.

LA PARTECIPAZIONE ALLE ORE DI DIDATTICA FRONTALE È OBBLIGATORIA E L’ACCESSO ALL’ESAME RICHIEDE LA FREQUENZA DI ALMENO IL 70% DELLE ORE DI LEZIONE ED ESERCITAZIONE.
Verification of learning
L’ESAME CONSISTE NELLA DISCUSSIONE DEL PROGETTO ED IN UNA PROVA ORALE. LA PROVA ORALE VERIFICHERÀ LE CONOSCENZE TEORICHE, ANCHE CON RIFERIMENTO AGLI ARGOMENTI SVILUPPATI NELL'AMBITO DEL PROGETTO (CHE PREVEDE LO SVILUPPO DI UNA PRESENTAZIONE).

LA VALUTAZIONE FINALE È ESPRESSA IN TRENTESIMI CON EVENTUALE LODE, CON LA DISCUSSIONE DEL PROGETTO CHE PESA PER IL 60% E IL COLLOQUIO ORALE PER IL 40%.

IL LIVELLO DI VALUTAZIONE MINIMO (18/30) È ATTRIBUITO QUANDO LO STUDENTE, PUR DIMOSTRANDO APPLICAZIONE NELLO STUDIO, DIMOSTRA INCERTEZZE NELL’APPLICAZIONE DEI METODI STUDIATI, NE HA UNA LIMITATA CONOSCENZA E PRESENTA UNA SCARSA CAPACITÀ ESPOSITIVA.

IL LIVELLO MASSIMO (30/30) È ATTRIBUITO QUANDO LO STUDENTE DIMOSTRA UNA CONOSCENZA COMPLETA ED APPROFONDITA DEI METODI ED È IN GRADO DI RISOLVERE I PROBLEMI PROPOSTI INDIVIDUANDO I METODI PIÙ APPROPRIATI.

LA LODE VIENE ATTRIBUITA QUANDO IL CANDIDATO DIMOSTRA SIGNIFICATIVA PADRONANZA DEI CONTENUTI TEORICI ED OPERATIVI E MOSTRA DI SAPER PRESENTARE GLI ARGOMENTI CON NOTEVOLE PROPRIETÀ DI LINGUAGGIO E CAPACITÀ DI ELABORAZIONE AUTONOMA ANCHE IN CONTESTI DIVERSI DA QUELLI PROPOSTI DAL DOCENTE.
Texts
[T1] MATERIALE DIDATTICO SARÀ DISPONIBILE NELLA SEZIONE DEDICATA DELL'INSEGNAMENTO ALL'INTERNO DELLA PIATTAFORMA E-LEARNING DI ATENEO (HTTP://ELEARNING.UNISA.IT) ACCESSIBILE AGLI STUDENTI DEL CORSO TRAMITE LE CREDENZIALI UNICHE DI ATENEO.
[T2] M. HARDT, B. RECHT, “PATTERNS, PREDICTIONS AND ACTIONS: A STORY ABOUT MACHINE LEARNING”.SELF PUBLISHED. 2021. DISPONIBILE ONLINE
More Information
L'INSEGNAMENTO E' EROGATO IN ITALIANO
  BETA VERSION Data source ESSE3 [Ultima Sincronizzazione: 2022-09-16]