Passer au contenu principal

Recherche

Afficher tous les résultats pour

Accueil

Personne

Danilo Saccani

À propos
Confidentialité
Mentions légales

Copyright © 2025 EPFL, tous droits réservés

Graph Chatbot

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Cours enseignés par cette personne (1)

ME-717: Neural Networks for Optimal Control

Publications associées (4)

Veuillez noter qu'il ne s'agit pas d'une liste complète des publications de cette personne. Elle inclut uniquement les travaux sémantiquement pertinents. Pour une liste complète, veuillez consulter Infoscience.

Unités associées (1)

Groupe SCI STI GFT

EPFL
STI
IGM
SCI-STI-GFT

Model Predictive Control for Multi-Agent Systems under Limited Communication and Time-Varying Network Topology

Danilo Saccani, Melanie Nicole Zeilinger

In control system networks, reconfiguration of the controller when agents are leaving or joining the network is still an open challenge, in particular when operation constraints that depend on each agent's behavior must be met. Drawing our motivation from ...

IEEE2023

Optimal distributed control with stability guarantees by training a network of neural closed-loop maps

Giancarlo Ferrari Trecate, Luca Furieri, Danilo Saccani, Leonardo Massai

This paper proposes a novel approach to improve the performance of distributed nonlinear control systems while preserving stability by leveraging Deep Neural Networks (DNNs). We build upon the Neural System Level Synthesis (Neur-SLS) framework and introduc ...

Institute of Electrical and Electronics Engineers Inc.2024

Unconstrained Learning of Networked Nonlinear Systems via Free Parametrization of Stable Interconnected Operators

Giancarlo Ferrari Trecate, Luca Furieri, Danilo Saccani, Leonardo Massai

This paper characterizes a new parametrization of nonlinear networked incrementally L2 -bounded operators in discrete time. The distinctive novelty is that our parametrization is free - that is, a sparse large-scale operator with bounded incremental L2 gai ...

Institute of Electrical and Electronics Engineers Inc.2024