Couvre les principes fondamentaux de la théorie du contrôle optimal, en se concentrant sur la définition des OCP, l'existence de solutions, les critères de performance, les contraintes physiques et le principe d'optimalité.
Couvre la conception et l'analyse des systèmes de contrôle multivariables, en mettant l'accent sur la stabilité et l'erreur de suivi en état d'équilibre zéro.
Explore l'algorithme Kalman Predictor étendu et le filtre Kalman linéaire pour les systèmes de contrôle multivariables, en discutant des défis et des applications.
Explore la stabilité des équations différentielles ordinaires, en se concentrant sur la dépendance des solutions, les données critiques, la linéarisation et le contrôle des systèmes non linéaires.
Introduit le contrôle prédictif (DEEPC) activé par les données comme méthode de conception des contrôleurs directement à partir des données d'entrée/sortie mesurées, réduisant ainsi le coût de conception et de mise en service.
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.
