PROGETTAZIONE DI SISTEMI DI CONTROLLO a.a. 2011-2012 Laurea Magistrale in Ingegneria dell'Automazione

 

Docente

Luca Schenato
Telefono: 049 827 7925
Ufficio: 315 DEI/B
E-mail:  ( NO luca.schenato@dei.unipd.it !!!!)
Webpage: http://automatica.dei.unipd.it/people/schenato.html
Orari ricevimento: su appuntamento email o telefonico

Descrizione

• Principi di progettazione per moderni sistemi di controlli.
• Analisi dell'interazione fra controllo, sistemi di comunicazione, implementazione embedded, software per applicazioni in tempo reale.
• Problematiche in sistemi di controllo interconnessi (Networked Control Systems) e a tempo reale (Embedded Control Systems).
• Controllo quadratico (LQ) e stima a minima varianza (Kalman) per sistemi con ritardo casuale e perdita di pacchetti di comunicazione.
• Stima distribuita, Filtri di Kalman Estesi, Filtri Particellari
• Catene di Markov, Catene di Markov Nascoste
• Stima, Smoothing e Identificatione per CAtene di Markov Nascoste
  
• Coordinazione e consenso in sistemi di controllo distribuiti
• Analisi, progettazione ed implementazione di sistemi di controllo tramite reti di videocamere intelligenti

 

Lezioni

Settimana	MARTEDI (?? aula M)	MERCOLEDI (16:25-18:05 aula Me)	GIOVEDI (12:25-14:05 aula Me )	VENERDI (12:25-14:05 aula Ee)
1 (4-7/10)		Introduzione al corso (Lezione 0 PDF)	Richiami variabili aleatorie e probabilita' (Lezione 1 PDF e latex e bib)	Filtro di Kalman (Lezione 2 (aggiornata)  PDF e latex e classe .sty)
2 (11-14/10)		Filtro di Kalman in forma di Informazione (Lezione 3 (aggiornata)  PDF)	Applicazioni del filtro di Kalman: stima multisensore statica (Lezione 4 PDF)	Applicazioni del filtro di Kalman: stima minimi quadrati, stima minimi quadrati interativa, e stima ai minimi quadrati adattativa (Lezione 5 (aggiornata) PDF)
3 (18-21/10)		Assegnazione progetti.	Filtro a guadagno costante (Lezione 6 (aggiornata)  PDF)	Filtro di Kalman a regime: sistemi multivariabili (I) (Lezione 7 (aggiornata)  PDF)
4 (25-28/10)		Filtro di Kalman a regime: sistemi multivariabili (II) (Lezione 7 PDF)	Filtro di Kalman: interpretazione Bayesiana (I) (Lezione 8 PDF)	No lezione
5 (1-4/11)		Filtro di Kalman: interpretazione Bayesiana (II) (Lezione 9 PDF)	Interpolatore(smoother) di Kalman: versione parallela (Lezione 10 PDF)	Interpolatore(smoother) di Kalman: versione forward-backward (Lezione 11 PDF)
6 (8-11/11)		Introduzione agli algoritmi di consensus (Lezione 14 PDF)	Algoritmi di consensus lineari: definizioni (Lezione 15 PDF)	Condizioni per la convergenza al consensus per matrici costanti (Lezione 16 PDF)
7 (15-18/11)		Matrici circolanti e velocita' di convergenza (Lezione 18 PDF)	Condizioni per la convergenza al consensus per matrici tempo varianti (Lezione 17 PDF)	Algoritmi di consensus randomizzati (Lezione 19 PDF)
8 (22-25/11)		Prestazione del consensus randomizzati (Lezione 20 PDF)	Consensus randomizzato in grafi con simmetria (Lezione 21 PDF)	Consensus randomizzato in grafi con simmetria (Lezione 21 PDF)
9 (29/11-2/12)		Gossip Asimmetrico in grafi completi (vedi Lezione 21)	Simulazioni Matlab degli algortimi di Consensus	Catene di Markov Nascoste (HIdden Markov Models) (Lezione 12 PDF)
10 (6-9/12)		Algoritmo di Viterbi (Lezione 13 PDF)	No lezione	No lezione
11 (13-16/12)		No lezione	Algoritmo di Viterbi (Lezione 13 PDF)	Filtro di Kalman Esteso
12 (20-23/12)		Trasfromazione unscented ed esempio scalare	No lezione	No lezione
13 (11-13/01)		Filtri sigma-point	Filtro UKF	Proprieta' filtri
14 (18-20/01)		34	No lezione	No lezione
15 (18-20/01)		35	36

 

Materiale

Libri:

1. Giorgio Picci, Fitraggio Statistico (Wiener, Levinson, Kalman) e Applicazioni, Libreria Progetto, 2006
2. M. Mesbahi, M. Egerstedt, Graph Teoretic Methods in Multiagent Networks, Princeton Series in Applied Mathematics, 2010
3. F. Bullo, J. Cortés, S. Martínez, Distributed Control of Robotics Networks, Princeton Series in Applied Mathematics, 2009

1. B. Yu, K. Shenoy, M. Sahani, Derivation of Kalman Filtering and Smoothing Equations, Technical Report, Stanford University, 2004 [PDF]
2. H. Merkus, D. Pollock, A. de Vos, A Synopsys of the Smoothing Formulae Associated with the Kalman Filter, Technical Report, University of Amsterdam, 1991 [PDF]
3. C. Wikle, L. Berliner, A Bayesian Tutorial for Data Assimilation, Physica D, vol 230, pp. 1-16, 2007 [PDF]

Catene di Markov Nascoste(Hidden Markov Models) e Algoritmo di Viterbi:

1. L. Rabiner, A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition, Proceedings of IEEE, vol 77(2), pp. 257-286 [PDF]
2. H. Kaeslin, A Gentle Introduction to Dynamic Programming and the Viterbi Algorithm, Slides for teaching material, 2009 [PDF]

Algoritmi di Consensus:

1. F. Garin, L. Schenato, A Survey on Distributed Estimation and Control Applications using linear consensus algorithms. chapter in Networked Control Systems (to appear), 2010 [PDF]
2. S. Bolognani, S. Del Favero, L. Schenato, D. Varagnolo. Consensus-based distributed sensor calibration and least-square parameter identification in WSNs.International Journal of Robust and Nonlinear Control, 2010 [PDF]
3. F. Fagnani, S. Zampieri. Randomized consensus algorithms over large scale networks. IEEE Journal on Selected Areas in Communications, vol. 26, pp. 634--649, 2008 [PDF]

Filtro di Kalman Esteso (EKF), Filtro di Kalman Unscented (UKF) e Filtro di Kalmna Iterato (IKF):

1. S. Julier, J. Uhlmann, A General Method for Approximating Nonlinear Transformations of Probability Distributions, Technical report, University of Oxford, 1996 [PDF]
2. R. van der Merwe, E. Wan, Sigma-Point Kalman Filters for Integrated Navigation. Proceedings of the 60th Annual of the Institute of Navigation, 2004 [PDF]
3. T. Fiorenzani, C. Manes, G. Oriolo, P. Peliti, Comparative Study of Unscented Kalman Filter and Extended Kalman Filter for position/attitude estimation in Unmanned Aerial Vehicles, Technical Report, IASI CNR, 2002 [PDF] (in particolare Sezione 2)
4. Toolbox Matlab ReBEL di R. van der Merwe. Altri articoli disponibili alla pagina personale di R. van der Merwe.
5. B. Bell, F. Cathey, The Iterated Kalman Filter Update as a Gauss-Newton Method, IEEE Transactions on Automatic Control, 38(2), pp. 294-297, 1993. [link]

Filtri Particellari:

1. R. van der Merwe, A. Doucet, N. De Freitas, E. Wan, The Unscented Kalman Fiter, Technical report, 2000. Articolo [PDF] e slides [PDF]
2. S. Maskel, N. Gordon, A Tutorial on Particle Filters for On-line Nonlinear/Non-Gaussian Bayesian Tracking, IEEE Transaction on Signal Processing, 50(2):174–188, 2002, [link]
3. A. Doucet, A.M. Johansen, A Tutorial on Particle Filtering and Smoothing: Fifteen years Later, Handbook on Nonlienar Filtering, (eds. D. Crisan et B. Rozovsky), Oxford University Press, 2008, [PDF]

Stima e Controllo suggetta a perdita di pacchetto e ritardi aleatori:

1. L. Schenato, Some results on optimal estimation and control for lossy NCSs, Presentazione, 2006, slides [PDF]
2.  J. Hespanha, P. Naghshtabrizi, Y. Xu, A Survey of Recent Results in Networked Control Systems. Proceedings of IEEE, Special Issue on Technology of Networked Control Systems, 95(1):138—162, Jan. 2007. [PDF]

 

Esercitazioni

1. Esercitazione 1 (PDF). Alcune funzioni MATLAB utili (.zip).
2. Esercitazione 2 (PDF). Alcuni esempi MATLAB di algoritmi di consensus (.zip)
   

 

Progetti

I laboratori di Navigazione Autonoma (NavLab) e di Multi-Agent Intelligent Control (MAGIC) dove svolgere la parte sperimentale del progetto si trovano rispettivamente al piano terra del DEI/D e DEI/A.

 

I progetti dei precedenti anni accademici si possono trovare al seguente link.