Questa tesi utilizza l'AI non come controllore in sé, ma per modellare la complessa fisica di un attuatore non lineare. Invece di affidarsi a complesse equazioni fisiche derivate, un modello AI basato su sequenze (come LSTM o GRU) apprenderà le dinamiche dell'attuatore a partire dai dati di input/output. Questo modello AI addestrato verrà poi integrato in un framework di Model Predictive Control (MPC) per calcolare l'azione di controllo ottimale. La ricerca principale confronterà l'accuratezza di tracciamento e l'efficienza computazionale di questo MPC guidato dall'AI rispetto a un MPC puramente analitico implementato su un microcontrollore embedded.
Argomenti principali: Model Predictive Control (MPC), Identificazione dei Sistemi, Reti Neurali Ricorrenti (RNN/LSTM/GRU), Sistemi Embedded
Requisiti di base:
Studente di Laurea Magistrale in Ingegneria dell'Automazione, Sistemi Embedded o AI.
Conoscenza avanzata degli algoritmi di controllo predittivo e delle architetture di deep learning per la modellazione di sequenze.
Sede: Napoli
________________
This thesis utilizes AI not as the controller itself, but to model the complex physics of a non-linear actuator. Instead of relying on complex derived physics equations, a sequence-based AI model (such as an LSTM or GRU) will learn the actuator's dynamics from input/output data. This trained AI model will then be integrated into a Model Predictive Control (MPC) framework to compute the optimal control action. The core research will compare the tracking accuracy and computational efficiency of this AI-driven MPC against a purely analytical MPC implemented on an embedded microcontroller.
Main topics: Model Predictive Control (MPC), System Identification, Recurrent Neural Networks (RNN/LSTM/GRU), Embedded Systems
Basic requirements:
MSc student in Automation Engineering, Embedded Systems, or AI.
Advanced knowledge of predictive control algorithms and deep learning architectures for sequence modeling.
Location: Naples
