24 miljoner till modellbaserad inlärning av dynamiska system

Publicerad 2017-03-02

I slutet av februari offentliggjorde Vetenskapsrådet sitt bidragsbeslut för forskning inom naturvetenskap och teknikvetenskap. Fyra forskargrupper från KTH delar på närmare 96 miljoner kronor. En av dem leds av Håkan Hjalmarsson, professor i Reglerteknik.

I Vetenskapsrådets utlysning 2016 om ”Bidrag till forskningsmiljö naturvetenskap och teknikvetenskap” blev fyra forskargrupper från KTH beviljade medel. I projektet ”Nya ansatser

för modellbaserad inlärning av dynamiska system” som leds av Håkan Hjalmarsson, kommer forskare från KTH och Uppsala universitet att samarbeta inom reglerteknik, signalbehandling och maskininlärning. Från KTH medverkar Cristian Rojas och Bo Wahlberg och från Uppsala universitet Fredrik Lindsten, Thonas Schön, Peter Stoica och Dave Zacharia. Anslaget på totalt 24 miljoner kronor kommer att fördelas över sex år.

Stort grattis Håkan! Hur känns det?

– Det är fantastiskt roligt och mycket uppmuntrande.  Det är ett kvitto på att den långsiktiga satsning vi gjort inom detta område varit riktig. Det är också väldigt hedrande när man vet hur hård konkurrens det är om den här typen av finansiering.

Berätta om forskningsprojektet som ni fått medel för. Vad handlar det om?

– I många av dagens ”heta” teknikforskningsområden har reglerteknik en framträdande roll, smarta byggnader, självkörande fordon och självlärande robotar är några exempel. Principen är att man med hjälp av en dynamisk modell optimerar systemets förväntade uppförande. Det finns också en väldigt stor potential för denna typ av reglering inom andra områden, som bioproduktion och annan tillverkningsindustri. Tyvärr är det ofta väldigt resurskrävande att ta fram en sådan modell för de komplexa system det ofta handlar om, det krävs hög kompetens och är tidsödande.  Det blir ännu mer problematiskt om systemets egenskaper ändras med tiden, ta till exempel en robot som lyfter upp en resväska.  

Vårt mål är att bygga upp en stark verksamhet kring hur man med hjälp av sensordata kan modellera komplexa dynamiska system. Vi ska studera några av de mest kritiska aspekterna av detta område: data som fås från sensorer är ej exakta. Detta kan hanteras på ett effektivt sätt med hjälp av statistiska metoder. Tyvärr så kräver dessa väldigt mycket beräkningskraft för de komplicerade system detta handlar om. Vi studerar hur man på ett intrikat sätt med hjälp av slumptal kan effektivisera denna typ av beräkningar med hjälp av Monte Carlo metoder. Vi kommer också att studera hur man genom aktivt lärande kan förbättra den information som fås från sensorerna. För en robot kan det innebära att man låter den röra på sig på ett smart sätt när man samlar in mätdata. Intressant är att Googles AlphaGo använder samma princip för att lära sig Go så det finns nära koppling till självlärande system. I projketet kommer vi också se på inlärning av sammankopplade dynamiska system, till exempel en flotta av obemannade luftfarkoster som flyger i formation för ett räddningsuppdrag.

Vilka möjligheter öppnar ett anslag av den här storleken upp för dig forskningsmässigt?

– De utmaningar vi ser inom det här forskningsområdet kräver kompetenser som spänner över reglerteknik, signalbehandling och maskininlärning. De båda forskningsgrupperna på KTH och Uppsala Universitet kompletterar varandra extremt bra inom dessa områden. Tack vare det har vi tidigare haft mindre samarbeten i olika konstellationer, men utan explicit finansiering. Dessa ”hobbyprojekt” har verkligen gett mersmak och jag ser verkligen fram emot att vi kan gå ”all in” nu och med gemensam kraft driva detta fält framåt. Möjligheterna är fantastiska!

Kontakt

Hjälpte denna sida dig?
Tack för din åsikt!
Till sidans topp