Tóth Roland, a HUN-REN SZTAKI kutatója tartott előadást a publikációs díjasok szemináriumán

Tóth Roland a HUN-REN SZTAKI Rendszer és Irányításelméleti Kutatólaboratóriumának tudományos főmunkatársa „Learning models for nonlinear systems directly from data” címmel tartotta meg előadását 2026. június 19-én.

Tóth Roland a HUN-REN SZTAKI-ban betöltött pozíciója mellett egyetemi tanár az Eindhoveni Műszaki Egyetem (TU/e) Villamosmérnöki Tanszékének „Control Systems” csoportjában. Fő kutatási területe Lineáris Paraméter-Változó (LPV) és a nemlineáris rendszerek hatékony modellezése és vezérlése, adat alapú-modellezés és adaptív szabályozás, teljesítmény- és stabilitási garanciákat biztosító gépi tanulási módszerek fejlesztése modellezéshez és vezérléshez, modell prediktív vezérlés, pályatervezés és optimalizáció. Az alkalmazási oldalon kutatásai a precíziós mechatronika és az autonóm robotok/járművek megbízhatóságának és teljesítményének növelésére összpontosítanak LPV, prediktív és tanulás-alapú mozgástervezéssel és vezérléssel.

Az előadás angol nyelvű absztraktja az alábbi:

In this talk, first an overview of some recent results on learning models of nonlinear systems is given. We show that a Nonlinear (NL) stochastic system in an innovation form can be separated to a deterministic process part and a nonlinear stochastic noise model like in the classical identification setting in the Linear Time-Invariant (LTI) case. Then, we provide a unifying model parametrization of these parts where dynamics from LTI, through Linear Parameter-Varying (LPV) behavior till full NL aspects can be captured by the used Artificial Neural Network (ANN) State-Space (SS) models both in the discrete and continuous-time cases. Next we show how to achieve training of the models with an identification method that (i) benefits from both single and multi-shooting formulation of the cost, (ii) co-estimates a state encoder in the multiple-shooting case, which can be seen as a state-observer, (iii) supported by (group)-Lasso and l2 regularization schemes for model structure learning, (iv) benefits from a JAX-based optimization backend where ADAM and L-FBGS are combined for a lighting fast model training,and last but not least, (v) there is proven stochastic consistency guarantee to obtain an exact model of the system under mild conditions as data goes to infinity. We also characterize uncertainty of the model estimates using a Bayesian setting and show how to generate uncertainty tubes around the predicted model responses. Then we show, how to incorporate existing base-line models and first-principle knowledge into the model learning process in terms of model augmentation using a flexible Linear-Fractional Representation (LFR) form, where the learning process can discover what is the best suiting configuration of the existing model w.r.t. learning component. Furthermore, we provide parametrization of the resulting model that can ensure well-posedness and overall stability of the model estimate in a constraint-free sense.