Geïntegreerd leren en optimaliseren voor autonome voertuigbesturing

Het doel van deze PhD positie is het ontwikkelen van geavanceerde optimalisatie- en machine learning-methoden die in staat zijn om uitdagende veiligheids- en comfortproblemen bij autonoom rijden aan te pakken. Methoden zoals imitatieleren laten de controller toe om menselijk gedrag na te bootsen. Ze vertonen echter beperkingen vanwege hun gebrek aan fundamentele en rigoureuze resultaten op het gebied van verklaarbaarheid, veiligheid en stabiliteit. Daarom zal dit doctoraat toewerken naar een nieuwe methodologische en embedded implementatieontwikkeling, die zowel het leren van mensachtig gedrag combineert met optimale niet-lineaire controle (zoals NMPC) voor veiligheidsdoelstellingen om het comfort te verhogen, maar ook de prestaties van de Autonoom Rijden algoritme. Een focus van het proefschrift zou zijn op de real-time mogelijkheden van de controller, zowel in termen van het hebben van een inzetbare code als het hebben van een numeriek snelle en betrouwbare optimalisatie-oplosser.