Explore le défi de contrôle dans les systèmes robotiques souples et l'utilisation de modèles simplifiés avec théorie de contrôle non linéaire pour l'exécution dynamique des tâches.
Explore l'apprentissage sécuritaire en robotique, couvrant l'état de l'art, les défis ouverts et la vision sur le terrain, soulignant l'importance de la collaboration interdisciplinaire.
Explore l'impact des paramètres P, D et I sur le contrôle de la robotique, y compris les gains, les encodeurs, le réglage des paramètres PID et les stratégies de contrôle.
Explore le contrôle de l'agrégation protéique par des stratégies optimales, des inhibiteurs et une régulation spatiale à l'aide de compartiments liquides, éclairant les interventions médicamenteuses et la dynamique des agrégats.
Explore la théorie du contrôle quadratique optimal linéaire, couvrant les problèmes FH-LQ et IH-LQ et l'importance de l'observabilité dans les systèmes de contrôle.
Introduit une théorie de contrôle optimale, couvrant les modèles, la discrétisation, les mesures, les conditions lagrangiennes, KKT et l'invertibilité.
Explore l'accélération de l'algorithme d'itération de valeur en utilisant la théorie de contrôle et les techniques de fractionnement de matrice pour atteindre une convergence plus rapide.
Explore l'état de la recherche robotique, couvrant les défis interdisciplinaires, les technologies de capteurs et les architectures de collaboration homme-robot.
Couvre les principes fondamentaux et l'analyse de stabilité des systèmes de contrôle en réseau, y compris l'installation de logiciels, les systèmes dynamiques, les états d'équilibre et les tests de stabilité.
Explore les stratégies de contrôle pour la manipulation des robots, couvrant les contrôleurs décentralisés, les systèmes de second ordre, et les contrôleurs P, PD et PID.
Explore les robots d'entraînement en renforçant l'apprentissage et l'apprentissage de la démonstration, mettant en évidence les défis de l'interaction homme-robot et de la collecte de données.
Explore les stratégies de contrôle des robots, les contrôleurs décentralisés et le rôle des contrôleurs P, PD et PID dans le contrôle de position des moteurs à courant continu.
Explore l'application de la théorie du contrôle pour gérer les processus d'agrégation des protéines, en se concentrant sur les fibres amyloïdes et leurs implications dans diverses maladies.
Explore l'apprentissage visuel sûr et efficace en matière de données pour la robotique, couvrant la théorie du contrôle, les systèmes de perception, l'apprentissage de bout en bout et les politiques d'experts.
Introduit l'apprentissage par renforcement, couvrant ses définitions, ses applications et ses fondements théoriques, tout en décrivant la structure et les objectifs du cours.
