Identificazione e Controllo

Descrizione del gruppo Il nostro gruppo si occupa di aspetti metodologici e applicativi dell’Ingegneria dell’Automazione, fra cui identificazione, controllo robusto, controllo adattativo, teoria dell'apprendimento e della predizione. Il nostro tema di ricerca principale riguarda generalizzazioni e applicazioni del cosiddetto “approccio a scenario”. Il gruppo condivide diversi progetti con numerose università Italiane, in particolare con il Politecnico di Milano (Simone Garatti, Maria Prandini) e l’Università di Padova (Augusto Ferrante, Mattia Zorzi), e si avvale di numerose collaborazioni internazionali (e.g. Università di Melbourne, SZTAKI Budapest, CWI Amsterdam, IIT Bombay, ETH Zurich). Attività di ricerca Gli studi nell'ambito dell’approccio a scenario si applicano a diversi contesti dell’Ingegneria dell’Automazione (e.g. controllo del traffico aereo, controllo MPC - Model Predictive Control) e di altre scienze applicate (finanza; vari problemi di classificazione, e.g. in ambito biomedicale). Gli argomenti studiati riguardano in particolare: Schemi di apprendimento con compressione dell'informazione che non richiedano conoscenza sulla legge di generazione dei dati e che assicurino garanzie esatte sulla probabilità d’errore (per es. in problemi di ottimizzazione, identificazione o classificazione) in base all’osservazione a posteriori del numero di dati empirici sufficienti a ricostruire la soluzione complessiva. Schemi di compressione in cui si forniscano garanzie tanto sugli errori di tipo “falso positivo” quanto su quelli di tipo “falso negativo” (in particolare con applicazioni in ambito biomedicale), in assenza di informazione sulla legge che determina la generazione dei dati. Schemi di compressione con strategie di eliminazione delle osservazioni anomale (outliers). Nel settore dell'identificazione dei sistemi, il gruppo è particolarmente attivo in relazione ai seguenti aspetti: Metodi di identificazione del tipo LSCR (Leave-out Sign-dominant Correlation Regions) e SPS (Sign Perturbed Sums): servono a costruire una regione di confidenza per un parametro in presenza di incertezza con caratteristiche probabilistiche non note. Questi metodi si adattano a situazioni in cui sono disponibili poche osservazioni empiriche. Predittori intervallari: si tratta di regioni di predizione per future osservazioni in problemi di regressione e identificazione che hanno garanzia “universale” sulla probabilità dell’errore di predizione. Studio di problemi di ottimizzazione stocastica convessa tramite minimizzazione del cosiddetto valore a rischio condizionale (CVaR); applicazioni alla minimizzazione del rischio finanziario (con soluzione garantita) e all’irrobustimento dei predittori intervallari rispetto alla presenza di outliers. Stima non parametrica.