Department of Pattern Recognition

(eng): A control design converts knowledge about the controlled system, constraints and control aims into the controller. Control aims must be quantified in the way compatible to the design. A systematic quantification of the control aims, called aim elicitation, is the least supported step of the design process. We present a solution of this problem within the framework of a fully probabilistic design (FPD) [1]. Any controller modifies the closed-loop behaviour to reach the control aims. The controller is chosen in order to minimize a given loss function. The FPD selects the controller that minimizes the Kullback- Leibler divergence of the joint probability density function (pdf) describing closed-loop behaviour to the ideal pdf. The ideal pdf expresses both the desired closed-loop behaviour and constraints on system inputs. Thus within the FPD, the aim elicitation reduces to the choice of the ideal pdf. For complex multidimensional systems, the task to construct the ideal pdf may represent a nontrivial problem requiring an expert experienced both in practical treatment of the system and theory as well.

(cze): Návrh řízení převádí znalost o řízené soustavě, omezeních a cílech řízení do regulátoru. Systematická kvantifikace cílů řízení je z celého procesu nejméně podporována. Je předloženo její řešení v rámci plně pravděpodobnostního návrhu řízení (FPD) vybírajícího regulátor, který minimalizuje Kullback-Leiblerovu divergenci modelu uzavřené smyčky a ideálního modelu vyjadřujícího požadované chování. Pro složité vícerozměrné soustavy představuje nalezení ideálního modelu netriviální úlohu. Je navržena konzervativní konstrukce ideálu, v souladu s "windsurfer" přístupem k návrhu regulátoru, která iterativně modifikuje postupné cíle řízení na základě učení z chování uzavřené smyčky a tak se realisticky přibližuje ideálnímu modelu.