With the vision of the smart factory of the future, generally termed Industry 4.0, the manufacturing industries are currently undergoing a fundamental new orientation on the basis of the Cyber-Physical Systems and Internet of Things and Services paradigms. All parts along the manufacturing chain are nowadays equipped with embedded computing, communication and networking capabilities and are expected to interact in an optimal way towards the goal of an energy and resource efficient, save and reliable production process. Through decentralized optimal decision-making and an appropriate communication among the networked individual parts, the whole production process of the future is expected to operate optimally. In this presentation the challenges and opportunities of Industry 4.0 for the field of automatic control are discussed. We will in particular investigate the potential impact of networked and optimization-based control for the fourth industrial revolution and will argue that some new developments in the control field, especially connected to distributed and economic model predictive control, appear to be ideally suited to have a potential  impact in the new Industry 4.0 environment.

This talk describes our efforts to abstract from the animal visual system the computational principles to explain images in video. We develop a hierarchical, distributed architecture of dynamical systems that self-organizes to explain the input imagery using an empirical Bayes criterion with sparseness constraints and dual state estimation. The interpretation of the images is mediated through causes that flow top down and change the priors for the bottom up processing. We will present preliminary results in several data sets.

Augmenting collaboration of distributed e-Work and robotics by effective cyber methods is becoming increasingly feasible, and widely desired to overcome obstacles in manufacturing, transportation, healthcare, agriculture, security, and more. Research and implementation of such cyber-augmented collaboration requires also the understanding of human and organizational augmentation needs for productive and smooth collaborative performance, on the way to achieving the intended goals. At the heart of cyber-augmentation is the Collaborative Control Theory (CCT). CCT and its design principles have been developed and validated for this purpose, and are described and illustrated in this presentation with key performance measures of emerging intelligent automation applications, collaborative robotics, and cyber-physical systems. Recently developed protocols of best matching, resilience by teaming, and dynamic lines of collaboration to overcome disruptions are also reviewed. Then, challenges and open questions will be discussed on how we can extend the current limits that have been observed.

As Redes Elétricas Inteligentes e o Futuro dos Sistemas de Energia Elétrica"; Cenário atual. Definições e conceitos básicos de redes elétricas inteligentes. Tecnologias viabilizadoras: medição inteligente, tecnologias de informação e comunicação, sincrofasores, geração distribuída, etc. Aplicações em redes de distribuição: auto restabelecimento, controle de tensão, gerenciamento de perdas, etc. Aplicações no sistema interligado: redes de PMUs, WAMPAC, etc. Situação no Brasil e no mundo. Visão de futuro.

Neste mini-curso, busca-se evidenciar a importância da consideração da validade regional dos modelos fuzzy de tipo Takagi-Sugeno (T-S) para o desenvolvimento de ferramentas de análise e síntese de sistemas de controle não lineares, e discutir problemas associados à complexidade desses modelos dos pontos de vista de implementação numérica dos algoritmos e de implementação computacional dos controladores. Serão considerados sistemas não lineares discretos no tempo, inicialmente sem a presença de atrasos e, a seguir, sistemas com atrasos nos estados. Modelos fuzzy T-S têm sido investigados no decorrer das últimas décadas principalmente por propiciarem o desenvolvimento de metodologias que possuem caráter sistemático para análise e projeto de sistemas de controle não lineares, além de propiciar soluções numéricas via técnicas baseadas em desigualdades matriciais lineares (LMIs, do inglês linear matrix inequalities). Embora diversos resultados sejam encontrados na literatura, existem questões de motivação prática que devem também ser consideradas no contexto do controle fuzzy baseado em modelo (FMB, do inglês Fuzzy Model Based). Primeiramente, as técnicas de modelagem fuzzy T-S garantem a convexidade do modelo e/ou a sua precisão de representação somente para uma determinada região do espaço de estados. Portanto, para estratégias de controle que dependem da propriedades de convexidade, a estabilidade do sistema de malha fechada formado pelo sistema não linear realimentado pela lei de controle fuzzy deve ser estudada no contexto de estabilidade local. Assim, é fundamental a determinação de regiões de estabilidade para o sistema de malha fechada. Essa importante característica dos modelos fuzzy T-S raramente é considerada na literatura, podendo implicar em perda de desempenho e até mesmo instabilidade do sistema em malha fechada. Outro problema inerente à utilização de modelos fuzzy T-S diz respeito ao aumento exponencial de complexidade do modelo com o número de não linearidades presentes no sistema, principalmente quando se busca descrever de forma exata a dinâmica do sistema a controlar. Isso implica no aumento da complexidade numérica dos algoritmos para análise e projeto, assim como no aumento da complexidade de implementação de leis de controle.

Introdução aos métodos de aprendizado profundo com aplicações em reconhecimento de imagens, reconstrução de padrões, tradução de idiomas, processamento de áudio, controle, dentre outros. Apresentação colaborativa de ferramentas e brainstorming com os participantes. Propostas de uso em Automação e Robótica (imageamento, veículos autônomos, síntese de som e e imagem)

Este curso apresenta uma introdução ao Robot Operating System (ROS) com enfoque na implementação de controladores e sua interação com robôs reais ou simulados no Gazebo. Os conceitos básicos do ROS são abordados no contexto de sua utilização na implementação de controladores avançados para robôs. Apesar do ROS ser um framework largamente utilizado atualmente, a sua documentação e os exemplos abordando controladores são pobres a quase todas as implementações são baseadas em controladores single input, single output (SISO) utilizando a lei de controle Proporcional, Integral, Derivativa (PID). A maioria das referências e livros sobre o ROS sequer cobre a implementação de controladores. Por outro lado, robôs são em geral, sistemas não lineares multi input, multi output (MIMO), para os quais o uso de controladores PID independentes para cada grou de liberdade (DoF) não é adequado se é desejado alto desempenho. Este curso aborda de forma genérica a implementação de controladores no ROS e seu enfoque pode ser usado para a implementação de qualquer lei de controle (linear, não linear, SISO ou MIMO) enquanto que os controladores disponíveis nos pacotes padrão do ROS como o ros_controllers são apenas representativos de controladores SISO. O funcionamento interno do laço de tempo real do ROS é explicado em detalhe, motivando a implementação de controladores avançados no ROS. Do ponto de vista de Engenharia de Controle, o ROS apresenta algumas particularidades com relação aos controladores. Uma delas é relacionada à nomenclatura, já que a denominação de controlador no ROS não necessariamente refere-se à um controlador na nomenclatura de Sistemas de Controle. Um controlador no ROS é um plugin para o gerenciador de controladores que implementa a interface Controller e tipicamente atua a junta através de algum objeto que exponha uma JointCommandInterface e obtém dados de sensores através de um objeto que exponha uma JointStateInterface. Note que um controlador ROS pode realizar uma função que não necessariamente é a função de um controlador em us sistema de controle. Um exemplo clássico é o JointStateController, que por seu nome parece ser um controlador de juntas no espaço de estados, mas que na realidade é apenas um publicador dos valores das posições e velocidades das juntas. O ROS não é um sistema de tempo real. No entanto, ele possui alguma capacidade de tempo real quando executado em um sistema Linux que suporte tempo real através dos patches PREEMP_RT, RTAI ou XENOMAI e a efetiva implementação de controladores em tempo real utilizando tais patches é discutida. Como os controladores no ROS são plugins carregados pelo gerenciador de controladores, o seu uso para carta, descarga, ativação e desativação de controladores é abordado juntamente com os principais pacotes do ROS para implementação de controladores, mais especificamente: control_toolbox, controller_interface, controller_manager, hardware_interface, realtime_tools, effort_controllers, joint_state_controller, ros_control_gazebo, ros_control_gazebo_plugin, robot_state_publisher, entre outros. São apresentados em detalhes a implementação de um controlador por torque calculado para um manipulador robótico, um controlador linearizante e um controlador não linear para um robô móvel, além do uso do controladores de bypass e PID disponíveis nos pacotes ROS. Palavras-chave: ROS, Introdução, Controlador, Implementação Tempo real, Controlador não linear. Syllabus: Introdução ao ROS, Descrição de robôs no ROS, Unified Robot Description Format (URDF), Visualização no rviz, Simulação no Gazebo, Mensagens, serviços e aões, Controlador bypass, Controlador PID, Gerenciador de controladores, Laço de tempo real do ROS, Implementação de controladores, Suporte de tempo real, Interação com o simulador Gazebo, Interação com robô real.

The ability to control the behavior of intracellular networks has relevant applications, ranging from an optimized synthesis of metabolites in bacteria to the cure of human diseases. To implement a controller in vivo, one may insert synthetic biomolecules into the cell being controlled. This seminar presents a formal approach, based on Supervisory Control Theory (SCT), to guide the design of synthetic genes that control the dynamics of gene regulatory networks, major players in cell dynamics, so that a set of specifications is achieved. Such a systematic procedure is important to make the control of large networks by synthetic molecules feasible. In this approach, it is assumed that the behavior of gene networks can be abstracted by finite state machines, where each state corresponds to a set of gene expression levels and the events are associated with the activation/repression of genes.

We have to face a demographic change in many countries: People are getting older and older and suffer from a whole variety of age-related diseases. The rates of hospitalisation increase.Clinical and home surveillance has to include age-specific morbidity and mortality. Now we have to answer the question, if it is possible to keep the aged people as long as possible at home to reduce costs but not the quality of services in medicine , care and general support. Here interdisciplinary engineering and the digital transformation can help and represent excellent opportunities to solve the above mentioned problems. New ecosystems can be formed and new disruptive models are necessary. Sensors, electronics, software merge in combination with business models. The presentation refers to digitally transformed processes and shows different applications on the field of body area networks and vital parameter measurement in the context of telemedical and clinical applications. Furthermore the demographic change and the increased demand for medical care associated hereto as well as increasing acute and chronic diseases will ensure a stable growth in demand. the same applies for other market determinants, for example the increasing use of self medication, which is increasingly replacing out-patient and hospital care, as well as the rising number of generic and biotechnological products. The demographic change became an issue for German local authorities, since it is evident, that more and more municipalities have no medical service any more. Here new models of automation based on point-of-care systems in combination with IOT-based services can help to face this medical and care service problem and moreover can even reach a better quality of medical care than ever before. THe talk will also refer to this situation and how it is possible to increase quality of different forms of care by sensor and IT-systems.

Nesta palestra trataremos de controle e filtragem de sistemas lineares sujeitos a incertezas paramétricas com aplicações em robótica cooperativa. Os controles e filtros a serem apresentados levam em consideração tanto sistemas incertos convencionais quanto aqueles que estão sujeitos a saltos Markovianos. A estratégia desenvolvida para resolver tais problemas é baseada em mínimos quadrados regularizados robustos e funções penalidades. As soluções apresentadas são baseadas em equações algébricas de Riccati, tanto individuais quanto acopladas, que são resolvidas recursivamente e não dependem para isto de quaisquer parâmetros auxiliares. Essa abordagem é útil, portanto, para aplicações em tempo real. Para exemplificar a eficiência dessas estratégias dois tipos de aplicação serão apresentados. No primeiro, resultados de um sistema de controle tolerante a falhas para garantir o movimento coordenado de robôs móveis com rodas serão apresentados. Uma formação líder-seguidor é usada com uma topologia de comunicação direcionada. A perda de comunicação entre os robôs é identificada. Havendo restabelecimento da comunicação entre os robôs o controle projetado restabelece as respectivas posições dos robôs na formação original. No segundo, apresentaremos um modelo unificado homem-robô para uso em reabilitação de membros inferiores, onde são identificados na dinâmica do robô modos fixos, resistivos e passivos usados na interação com o paciente. Resultados de laboratório serão apresentados em ambos os exemplos.