Descripción
El modelado y la identificación de sistemas dinámicos son fundamentales en múltiples disciplinas, desde la física y la ingeniería hasta la biología y la química. Tradicionalmente, los modelos físicos se basan en principios fundamentales, pero recientemente ha surgido un enfoque basado en datos para capturar dinámicas complejas con mayor eficiencia. Sin embargo, este cambio introduce desafíos en términos de eficiencia, interpretabilidad y validez física del modelo. Incorporar principios físicos en modelos basados en datos mejora su coherencia, interpretabilidad y eficiencia.
Los Procesos Gaussianos (GPs) se destacan entre las técnicas de modelado de sistemas dinámicos debido a su capacidad de realizar predicciones precisas con pocos datos de entrenamiento y de proporcionar una cuantificación probabilística de la incertidumbre. Alternativamente, técnicas como Redes Neuronales (NNs) y Aprendizaje por Refuerzo (RL) han ganado relevancia, pero presentan dificultades para generalizar con datos escasos y no ofrecen garantías de incertidumbre en sus predicciones.
En este curso nos enfocamos en la Regresión con Procesos Gaussianos (GPR), una técnica que permite el aprendizaje en línea con actualización en tiempo real y una estimación fiable de la incertidumbre. Esta característica es clave para garantizar seguridad probabilística, permitiendo establecer cotas de error en sistemas autónomos, como vehículos aéreos no tripulados y sistemas multi-robots de utilidad en de defensa y seguridad
Clientes potenciales:
- Empresas y Organizaciones: Instituciones académicas, empresas de tecnología, fabricantes de drones, y compañías de automatización y robótica.
- Sectores Industriales: Seguridad, agricultura de precisión, transporte, monitoreo medioambiente
- Perfiles Profesionales: Ingenieros en automatización y control, especialistas en inteligencia artificial, gestores de proyectos tecnológicos, y directores de innovación.
Condiciones específicas del servicio
- Tipo de curso: Curso de postgrado opcional de carácter técnico, enfocado en teoría de control.
- Duración: A definir – según las necesidades.
- Asistencia: Se requiere al menos el 80% de asistencia para la certificación.
- Contenido: El curso aborda principios teóricos de control con aplicaciones prácticas en escenarios que involucran vehículos aéreos no tripulados (UAVs) y vehículos terrestres autónomos.
- Metodología: Clases teóricas combinadas con simulaciones prácticas y análisis de casos reales.
- Dirigido a: Profesionales y estudiantes de ingeniería, robótica, automatización y áreas afines interesados en el control de sistemas dinámicos complejos y multi-robot.
Datos de contacto
- Nombre y apellidos: Leonardo Colombo
- Dirección de correo electrónico:
- Teléfono: 918711900
Proyecto Hub de Innovación Digital en Inteligencia Artificial y Robótica para los Objetivos de Desarrollo Sostenible AIR4S" con número de referencia OI2020-UPM-2.4, financiado por la Comunidad de Madrid a través de la Convocatoria 2020 de entidades de enlace de la innovación tecnológica.
