Descrizione del progetto
Rendere l’esperienza digitale più umana
È importante che i progressi in ambito tecnologico supportino le attività e le interazioni umane nei settori dell’assistenza sanitaria, della mobilità e dei sistemi infrastrutturali. Ad esempio, per rendere l’assistenza sanitaria più umana sono necessarie interfacce digitali che consentano interazioni più umane con il sistema. È questo l’obiettivo dei sistemi antropocentrici, in cui l’uomo si configura sia come un elemento del sistema di controllo, sia come un criterio di progettazione. Il progetto CO-MAN, finanziato dall’UE, svilupperà un sistema di controllo adattabile in base all’utente e basato su dati con garanzie di prestazione. La sfida principale sarà quella di fondere tecniche probabilistiche di modellizzazione non parametrica derivate dalla teoria di apprendimento statistico con nuove metodologie di controllo consapevole dei rischi, avvalendosi al contempo della modellizzazione degli utenti attivi. La rivoluzione è rappresentata dall’impulso esercitato verso la concretizzazione di un apprendimento automatico affidabile, con nuovi risultati per quanto concerne i limiti teorici nel campo del comportamento di apprendimento.
Obiettivo
Many control systems of the future involve a tight interaction or even symbiosis with the human user. High-impact application domains of human-centric systems include healthcare, mobility, and infrastructure systems. In human-centric systems the human is both, an element of the control system, and a design criterion with individual requirements that need to be satisfied. Safety - despite the high uncertainty of human behavior - and maximization of individual user experience are the primary objectives for control design in human-centric systems. The visionary goal of CO-MAN is to contribute to the fundamental understanding and principled approach to the control of smart human-centric systems. We will develop a novel framework for user-adaptive data-driven control with performance guarantees in order to address the scientific challenges of high uncertainty and individual user requirements. The grand challenge is to unify the two previously separate paradigms of model-based control with its rigorous guarantees but limited modeling base and machine learning algorithms with its flexible modeling concepts but lack of guarantees. The breakthrough enabling idea is to merge probabilistic non-parametric modeling techniques from statistical learning theory with novel risk-aware control methodologies while including active user modeling. The game changer is the current push towards reliable machine learning with novel results on theoretical bounds for learning behavior. Because of favorable properties we will focus on Gaussian Processes to model user behavior and preferences and translate the naturally quantified model uncertainty into closed loop behavior guarantees through a confidence-driven human-interactive control approach. The PI is in a perfect position to achieve the envisioned goal of super-individualized data-driven control with performance guarantees given the highly visible preliminary results and leadership in the area of human-cyber-physical systems.
Campo scientifico
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectronic engineeringcontrol systems
- natural sciencesbiological sciencesbiological behavioural sciencesethologybiological interactions
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
Programma(i)
Argomento(i)
Meccanismo di finanziamento
ERC-COG - Consolidator GrantIstituzione ospitante
80333 Muenchen
Germania