(English)

The goal of the present Bsc/Msc topic is to implement efficient, learning based methods for modelling and control complex nonlinear systems such as autonomous quadcopters. The specific algorithms to be implemented are based on Gaussian Process (GP), which is a powerful parametric model used widely in engineering AI applications. The Bsc/Msc work should focus on the efficient MATLAB implementation of the basic numerical algorithms related to GP regression, training, model evaluation and real-time sparse GP inference by exploiting the power of GPU paralellization. (A good starting point for the work is the basic GPML toolbox available in MATLAB.) For development and testing a powerful GPU server, based on Nvidia Titan RTX graphics card, will be available soon. The software tools developed have to be tested by designing explicit predictive controllers for an autonomous vehicle (quadcopter) model and demonstrate the applicability of the algorithm in a simulation environment.

 Requirements: basic knowledge in linear algebra and probability theory, programming skills in MATLAB, interest in implementation of advanced machine learning algorithms

 Supervisor: Tamás Péni, senior research fellow, Institute for Computer Science and Control (SZTAKI), Systems and Control Lab (https://www.sztaki.hu/en/tamas-peni)

(Hungarian)

A Bsc/Msc feladat célja olyan hatékony, tanulás alapú módszerek implementációja, amelyek alkalmasak összetett, nagydimenziós és nemlineáris rendszerek (mint például autonóm járművek, kvadkopterek) modellezésére és referenciakövető irányítására. A megvalósítandó konkrét algoritmusok a Gauss folyamatra (GP) épülnek. A GP egy parametrikus modellstruktúra, amely jól használható mérnöki alkalmazásokban előforduló függvényapproximációs és osztályozási feladatok megoldására. Jelen BSc/MSc munka feladata a GP struktúra megismerése és a kapcsolódó numerikus algoritmusok (tanítás, kiértékelés, ritka GP következtetés stb.) hatékony megvalósítása MATLAB programozási környezetben, kihasználva a GPU párhuzamosítás előnyeit. A feladathoz kiindulásul felhasználható a néhány alapfunkciót megvalósító GPML MATLAB toolbox.) A fejlesztéshez és teszteléshez hamarosan egy nagyteljesítményű (Nvidia Titan RTX grafikus kártyára épülő) szerverkörnyezet is rendelkezésre fog állni. A munka végén a kifejlesztett szoftvereszközök használhatóságát szimulációs környezetben működő autonóm jármű (elsősőrban kvadkopter) explicit modell prediktív irányításán kell bemutatni.

 Szükséges előismeretek: lineáris algebra, valószínűségszámítás alapok, a MATLAB környezet ismerete, érdeklődés gépi tanuláshoz kapcsolódó numerikus algoritmusok implementációja iránt.

 Témavezető: Péni Tamás, tudományos főmunkatárs, Számítástechnikai és Automatizálási Kutatóintézet (SZTAKI), Rendszer és irányításelméleti Kutatólabor (https://www.sztaki.hu/peni-tamas)