Logo V Conferencia Colombiana  de Control Automático - CCAC, CCAC 2021, IEEE CCAC

V Conferencia Colombiana de Control Automático - CCAC

Octubre
19 al 22 del 2021

Avances tecnológicos para el desarrollo regional sostenible

Talleres

Taller # 1:

Actuación y adaptación rápidas en robots modulares aéreos

Es profesor adjunto de Ciencias e Ingeniería Informática en la Universidad de Lehigh. Trabajó como investigador postdoctoral en el Laboratorio GRASP de la Universidad de Pensilvania. Su investigación principal se centra en los robots aéreos modulares, los sistemas multi-robots y los enjambres de robots. Obtuvo su licenciatura (2010) y maestría (2012) en Ingeniería Informática en la Universidad Nacional de Colombia, y su doctorado en Ciencias de la Computación, Inteligencia Artificial y Robótica en la UFMG, Brasil (2017). Sus proyectos actuales incluyen la mejora de la resiliencia en las redes de robots a gran escala, y el codiseño de algoritmos, modelos dinámicos y hardware de robots modulares.
Resumen:
actuacion y adaptacionDurante las emergencias en escenarios urbanos, tareas como la manipulación y el transporte deben realizarse rápidamente para salvar vidas humanas. En lugar de utilizar robots grandes y con tareas específicas, proponemos enjambres de robots modulares, compuestos por cientos de módulos aéreos que pueden adaptarse rápidamente para realizar tareas aéreas. Estos robots modulares deben ser capaces de cambiar rápidamente su forma y capacidad de actuación para realizar operaciones adaptables en situaciones de tiempo crítico. El potencial y la flexibilidad de los sistemas aéreos modulares residen principalmente en su capacidad para cambiar su forma, creando y eliminando conexiones físicas entre módulos. En este taller, describimos los principales conceptos en esta área y nuestros resultados recientes sobre vehículos aéreos que pueden autoensamblarse, autoadaptarse y autocurarse en el aire. Nuestro trabajo se centra principalmente en el codiseño de algoritmos, modelos dinámicos y hardware de robots que mejoran la adaptabilidad, la escalabilidad y la resistencia.
David Saldaña
David Saldaña/ Lehigh University /

Taller # 2:

Control estructurado óptimo en sistemas distribuidos espacialmente: convexidad, rendimiento y descentralización.

Es candidata al doctorado en Matemáticas Aplicadas en el MIT, con formación previa en ingeniería. Su investigación gira en torno al diseño de controladores y estimadores óptimos estructurados para sistemas espacialmente distribuidos, con especial énfasis en los sistemas en los que la dinámica se describe mediante EDP. A menudo, se inspira en la biología para idear nuevas formulaciones de problemas y arquitecturas de control. Ha recibido varios premios y reconocimientos por su trabajo académico, como el Premio Nacional a la Excelencia Académica del Gobierno de España, una beca de Google y una beca presidencial del MIT.
Resumen:

estructura optima de controlLas redes a gran escala de sistemas dinámicos distribuidos espacialmente son comunes en las aplicaciones modernas. Para ellas, las técnicas tradicionales de diseño de control óptimo, como la Regulación Cuadrática Lineal (LQR), suelen dar lugar a topologías de comunicación todo-a-todo (centralizadas) que suelen ser prohibitivas debido a su gran escala. Este reto justifica el creciente interés de la comunidad investigadora por el diseño de controladores óptimos estructurados espacialmente, con un intercambio de información limitado entre subsistemas.

En la primera parte de este taller, trataremos brevemente el conocido problema LQR y estudiaremos las propiedades de su solución. Después, presentaremos algunos enfoques para el diseño de controladores óptimos estructurados espacialmente y discutiremos los retos asociados. En la segunda parte del taller, nos centraremos en los sistemas en los que la dinámica subyacente es espacialmente invariante (SI), una clase particular de sistemas espacialmente distribuidos, adecuados para modelar grandes conjuntos de subsistemas idénticos. Estudiaremos las propiedades de localización espacial de los controladores óptimos para sistemas SI e introduciremos una formulación convexa para el diseño de controladores óptimos con restricciones estructurales espaciales. Proporcionaremos algunos ejemplos para facilitar la comprensión.

Juncal Arbelaiz
Juncal Arbelaiz / Massachusetts Institute of technology – MIT /

Taller # 3:

Algoritmos descentralizados para el aprendizaje colaborativo

Es profesora asistente en el Departamento de Ingeniería Eléctrica de la Universidad Estatal de Pensilvania. Obtuvo la licenciatura en información electrónica en la Universidad de Ciencia y Tecnología de Huazhong, Wuhan, China, en 2011, y el doctorado en ingeniería electrónica e informática en la Universidad de Ciencia y Tecnología de Hong Kong en 2016. Fue investigadora postdoctoral en la Escuela de Ingeniería Industrial de la Universidad de Purdue de 2016 a 2020. Sus intereses de investigación incluyen el procesamiento estadístico de señales, los algoritmos de optimización y el aprendizaje automático. Recibió el reconocimiento a mejor trabajo de estudiante en el Taller Internacional del IEEE sobre Avances Computacionales en el Procesamiento Adaptativo de Multisensores (CAMSAP) 2017, y el Premio al Mejor Trabajo de Autor Joven de la Sociedad de Procesamiento de Señales del IEEE 2020.

Resumen:

computacionLos avances en las técnicas de computación, comunicación y almacenamiento de datos de las últimas décadas han reducido significativamente el coste de la adquisición de datos, lo que ha llevado a una explosión de datos generados en diferentes plataformas interconectadas. Aparte de las dificultades computacionales que surgen de las formulaciones no convexas, el enorme volumen y la disparidad espacial de los datos también plantean retos a los procedimientos tradicionales de aprendizaje, que suelen requerir conjuntos de entrenamiento centralizados. Para aprovechar el dividendo que ofrece el diluvio de datos es necesario desarrollar métodos de aprendizaje colaborativo capaces de hacer inferencias a partir de los datos en la red.

En este taller se analizan algunos avances recientes en algoritmos de aprendizaje descentralizado y sus garantías computacionales y estadísticas. En la primera parte del taller se hará una rápida introducción a la optimización distribuida. Luego presentaremos un novedoso marco algorítmico, SONATA, y su convergencia para problemas de aprendizaje de diferentes clases. La segunda parte del taller se centra en las propiedades estadísticas de los algoritmos. Mientras que los equilibrios estadístico-computacionales han sido ampliamente explorados en el entorno centralizado, nuestra comprensión sobre las redes malladas es limitada. Los esquemas distribuidos, diseñados y con un buen rendimiento en el régimen clásico de baja dimensión, pueden romperse en el caso de alta dimensión; y los estudios de convergencia existentes pueden fallar en la predicción de los comportamientos algorítmicos. Esto se debe principalmente a que la mayoría de los algoritmos distribuidos se han diseñado y estudiado sólo desde la perspectiva de la optimización, careciendo de la dimensión estadística. A través de algunas viñetas de la inferencia estadística de baja y alta dimensión, repasaremos algunos diseños y nuevos análisis que pretenden introducir el pensamiento estadístico en la optimización distribuida.

Ying Sun
Ying Sun/ Pennsylvania State University /

Taller # 4:

Optimización robusta en sistemas ciberfísicos con aplicaciones en la respuesta a la demanda eléctrica

Mahnoosh Alizadeh
Mahnoosh Alizadeh/ UC Santa Bárbara /

Es profesora adjunta de Ingeniería Eléctrica e Informática en la Universidad de California Santa Bárbara. Se licenció en 2009 en Ingeniería Eléctrica por la Universidad Tecnológica de Sharif y obtuvo un máster (2013) y un doctorado (2014) en Ingeniería Eléctrica e Informática por la Universidad de California Davis. De 2014 a 2016, fue becaria posdoctoral en la Universidad de Stanford. Sus intereses de investigación se centran en el diseño de marcos de control, optimización y aprendizaje de redes para promover la eficiencia y la resiliencia en sistemas ciberfísicos a escala social. La Dra. Alizadeh ha recibido el premio NSF CAREER.

Berkay Turan
Berkay Turan / UC Santa Bárbara /

Está cursando el doctorado en Ingeniería Eléctrica e Informática en la Universidad de California, Santa Bárbara. Recibió la licenciatura en Ingeniería Eléctrica y Electrónica y la licenciatura en Física de la Universidad de Bogazici, Estambul, Turquía, en 2018. Sus intereses de investigación se centran en el diseño de mecanismos de control eficientes y métodos robustos de optimización distribuida para sistemas ciberfísicos.

Resumen:

secuencia optimizacionLos algoritmos de optimización distribuida han encontrado amplias aplicaciones en muchos sistemas ciberfísicos en los que no es posible coordinar de forma centralizada el comportamiento de múltiples agentes hacia el funcionamiento óptimo del sistema. Algunos ejemplos son la optimización de sistemas de energía, el enrutamiento de redes o el control de la formación de robots. Sin embargo, los algoritmos clásicos de optimización distribuida requieren que todas las comunicaciones entre los agentes y un coordinador central sean fiables, lo que los hace susceptibles de fallar debido a muchos factores, como influencias de adversarios, fallos de componentes o falta de comunicación. Consideremos, por ejemplo, el caso de la gestión de la demanda residencial en la optimización del sistema eléctrico a través de los sistemas de gestión de la energía doméstica (HEM). Si unas pocas unidades HEM de un vecindario se ven comprometidas por un adversario, los algoritmos de gestión de la energía distribuida pueden no converger o, lo que es peor, las restricciones del sistema eléctrico pueden ser violadas, lo que podría llevar a fallos en la red. Motivado por este desafío, este taller 1) presentará brevemente una serie de algoritmos de optimización distribuida representativos de los sistemas ciberfísicos; 2) discutirá la importancia de diseñar métodos de optimización distribuida que sean robustos a la corrupción arbitraria y potencialmente adversaria de los agentes para la asignación de recursos distribuidos y los problemas de aprendizaje distribuido; 3) presentará un nuevo algoritmo robusto primal-dual para los problemas de asignación de recursos distribuidos. Dado que los esquemas de asignación de recursos operan sobre una infraestructura física real, una de las tareas más difíciles para la robustez es garantizar la seguridad del sistema a pesar de las influencias adversarias. 4) Por último, demostraremos que el promedio temporal robusto mejora significativamente el rendimiento en muchos problemas de asignación de recursos distribuidos y de aprendizaje distribuido sujetos a la corrupción de los adversarios.

Taller # 5:

Aprendizaje automático distribuido resiliente: Federación multiagente segura

Es profesora adjunta en el Departamento de Ingeniería Eléctrica e Informática con un nombramiento de cortesía en la Facultad de Informática Khoury de la Universidad Northeastern. Antes de incorporarse a Northeastern, fue postdoc en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT entre 2017 y 2020, bajo la dirección de la profesora Nancy Lynch. Obtuvo su doctorado y su máster en el Departamento de Ingeniería Eléctrica e Informática de la Universidad de Illinois en Urbana-Champaign en 2017 y 2014, respectivamente. Su investigación se cruza con el aprendizaje automático, la seguridad y la privacidad, y los sistemas distribuidos. Fue finalista (1/3) del premio al mejor trabajo de estudiante en DISC 2016, y recibió el premio al mejor trabajo de estudiante de 2015 en SSS 2015. Recibió la beca internacional para estudiantes Sundaram Seshu de la UIUC en 2016 y fue invitada a participar en Rising Stars in EECS (2018). Ha formado parte del TPC de varias conferencias emblemáticas como DISC, SIGMETRICS e ICDCS.

Resumen:

aprendizaje automaticoCon el rápido aumento de la recopilación de datos, el almacenamiento y las capacidades de computación de los dispositivos informáticos personales, como los ordenadores portátiles y los teléfonos inteligentes, y con la creciente popularidad de los dispositivos portátiles, como el Apple Watch, una tendencia reciente en el aprendizaje automático es externalizar parte de la carga de computación involucrada a los dispositivos externos de borde y/o finales; en cierto sentido, los dispositivos de borde y finales pueden ser vistos como trabajadores externos de la nube. 

En este taller, presentaremos el aprendizaje federado, un paradigma de aprendizaje práctico en el que los datos de entrenamiento se mantienen de forma confidencial en los propios dispositivos finales de los usuarios. A continuación, hablaremos de las vulnerabilidades del FL a diferentes tipos de fallos y ataques internos y externos -- se proporcionarán modelos matemáticos formales y rigurosos. Hablaremos de varios enfoques del estado del arte para hacer frente a esta variedad de vulnerabilidades, empezando por los problemas relativamente sencillos de conocimiento del contexto distribuido hasta los problemas más avanzados de regresión Byzantine-Resilient. En concreto, hablaremos de cómo poder manejar la escasez local de datos, la contaminación de las mediciones, los mensajes engañosos arbitrariamente maliciosos, la colusión de los adversarios, etc.

Lili Sue
Lili Sue/ Northeastern University /
© 2021 Conferencia Colombiana de Control Automático - CCAC. Todos los derechos reservados.