From WWWwikiEn

Daniel Lyons

	Dipl.-Math. Research Assistant, Ph.D. Student
	Address:	Karlsruher Institut für Technologie Institut für Anthropomatik Gebäude 50.20 Raum 129 Adenauerring 2 D-76131 Karlsruhe
	Walk-in hours:	on arrangement
	Phone:	+49-721-608-44354
	E-mail:	Daniel.Lyons@kit.edu

Academic Career

Research Interests

Applications I consider include motion planning for single and multi-robot systems under uncertainty, nonlinear estimation and sensor data fusion.

Publications

Proceedings of the 2012 American Control Conference (ACC 2012) (to appear), Montréal, Canada, June, 2012.

Author : Daniel Lyons, Jan-Peter Calliess, Uwe D. Hanebeck
Title : Chance Constrained Model Predictive Control for Multi-Agent Systems with Coupling Constraints
In : Proceedings of the 2012 American Control Conference (ACC 2012) (to appear)
Date : June 2012

Proceedings of the 2011 American Control Conference (ACC 2011), San Francisco, California, USA, June, 2011.

Author : Benjamin Noack, Daniel Lyons, Matthias Nagel, Uwe D. Hanebeck
Title : Nonlinear Information Filtering for Distributed Multisensor Data Fusion
In : Proceedings of the 2011 American Control Conference (ACC 2011)
Date : June 2011

Abstract

The information filter has evolved into a key tool for distributed and decentralized multisensor estimation and control.
Essentially, it is an algebraical reformulation of the Kalman filter and provides estimates on the information about an uncertain state rather than on a state itself. Whereas many practicable Kalman filtering techniques for nonlinear system and sensor models have been developed, approaches towards nonlinear information filtering are still scarce and limited.
In order to deal with nonlinear systems and sensors, this paper derives an approximation technique for arbitrary probability densities that provides the same distributable fusion structure as the linear information filter.
The presented approach not only constitutes a nonlinear version of the information filter, but it also points the direction to a Hilbert space structure on probability densities, whose vector space operations correspond to the fusion and weighting of information.

Autonomous Robots and Multirobot Systems (ARMS) Workshop at AAMAS 2011, Taipei, Taiwan, May, 2011.

Author : Jan-P. Calliess, Daniel Lyons, Uwe D. Hanebeck
Title : Lazy auctions for multi-robot collision avoidance and motion control under uncertainty
In : Autonomous Robots and Multirobot Systems (ARMS) Workshop at AAMAS 2011
Date : May 2011

Abstract

We present an auction-flavored multi-robot planning mechanism where coordination is to be achieved on the occupation of atomic resources modeled
as binary inter-robot constraints. Introducing virtual obstacles, we show how this approach can be combined with particlebased obstacle avoidance methods,
offering a decentralized, auction-based alternative to previously established centralized approaches for multirobot open-loop control. We illustrate the
effectiveness of our new approach by presenting simulations of typical spatially-continuous multirobot path-planning problems and derive bounds on the
collision probability in the presence of uncertainty.

tm - Technisches Messen, Oldenbourg Verlag, 77(10):544-550, October, 2010.

URL

Author : Benjamin Noack, Vesa Klumpp, Daniel Lyons, Uwe D. Hanebeck
Title : Modellierung von Unsicherheiten und Zustandsschätzung mit Mengen von Wahrscheinlichkeitsdichten
In : tm - Technisches Messen, Oldenbourg Verlag
Date : October 2010

Abstract

Die systematische Behandlung von Unsicherheiten stellt eine wesentliche
Herausforderung in der Informationsfusion dar. Einerseits müssen
geeignete Darstellungsformen für die Unsicherheiten bestimmt
werden und andererseits darauf aufbauend effiziente Schätzverfahren
hergeleitet werden. Im Allgemeinen wird zwischen stochastischen und
mengenbasierten Unsicherheitsbeschreibungen unterschieden. Dieser
Beitrag stellt ein Verfahren zur Zustandsschätzung vor, welches
simultan stochastische und mengenbasierte Fehlergrößen berücksichtigen
kann, indem unsichere Größen nicht mehr durch eine einzelne
Wahrscheinlichkeitsdichte, sondern durch eine Menge von Dichten repräsentiert
werden. Besonderes Augenmerk liegt hier auf den Vorteilen und Anwendungsmöglichkeiten
dieser Unsicherheitsbeschreibung.

Proceedings of the 2010 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI 2010), Salt Lake City, Utah, USA, September, 2010.

Author : Daniel Lyons, Achim Hekler, Markus Kuderer, Uwe D. Hanebeck
Title : Robust Model Predictive Control Incorporating Least Favorable Measurements
In : Proceedings of the 2010 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI 2010)
Date : September 2010

Abstract

Closed-loop model predictive control of nonlinear systems,
whose internal states are not completely accessible, incorporates
the impact of possible future measurements into the planning
process. When planning ahead in time, those measurements
are not known, so the closed-loop controller accounts for
the expected impact of all potential measurements. We propose a novel
conservative closed-loop control approach that does not calculate the
expected impact of all measurements, but solely considers the single
future measurement that has the worst impact on the control objective.
In doing so, the model predictive controller guarantees robustness
even in the face of high disturbances acting upon the system. Moreover,
by considering only a single dedicated measurement, the complexity of
closed-loop control is reduced significantly. The capabilities of our
approach are evaluated by means of a path planning problem for a mobile robot.

Nominee Best Paper Award

Proceedings of the IEEE Multi-Conference on Systems and Control (MSC 2010), Yokohama, Japan, September, 2010.

Author : Achim Hekler, Daniel Lyons, Benjamin Noack, Uwe D. Hanebeck
Title : Nonlinear Model Predictive Control Considering Stochastic and Systematic Uncertainties with Sets of Densities
In : Proceedings of the IEEE Multi-Conference on Systems and Control (MSC 2010)
Date : September 2010

Abstract

In Model Predictive Control, the quality of control
is highly dependent upon the model of the system under control.
Therefore, a precise deterministic model is desirable. However,
in real-world applications, modeling accuracy is typically limited
and systems are generally affected by disturbances. Hence,
it is important to systematically consider these uncertainties
and to model them correctly. In this paper, we present a
novel Nonlinear Model Predictive Control method for systems
affected by two different types of perturbations that are
modeled as being either stochastic or unknown but bounded
quantities. We derive a formal generalization of the Nonlinear
Model Predictive Control principle for considering both types
of uncertainties simultaneously, which is achieved by using
sets of probability densities. In doing so, a more robust and
reliable control is obtained. The capabilities and benefits of
our approach are demonstrated in real-world experiments with
miniature walking robots.

Proceedings of the IEEE International Conference on Sensor Networks, Ubiquitous, and Trustworthy Computing (SUTC 2010), Newport Beach, California, USA, June, 2010.

Author : Daniel Lyons, Benjamin Noack, Uwe D. Hanebeck
Title : A Log-Ratio Information Measure for Stochastic Sensor Management
In : Proceedings of the IEEE International Conference on Sensor Networks, Ubiquitous, and Trustworthy Computing (SUTC 2010)
Date : June 2010

Abstract

In distributed sensor networks, computational and energy resources are
in general limited. Therefore, an intelligent selection of sensors for
measurements is of great importance to ensure both high estimation
quality and an extended lifetime of the network. Methods from the theory
of model predictive control together with information theoretic measures
have been employed to pick sensors yielding measurements with high
information value. We present a novel information measure that originates from a
scalar product on a class of continuous probability densities and apply it
to the field of sensor management. Aside from its mathematical justifications
for quantifying the information content of probability densities, the most
remarkable property of the measure, an analogon of the triangle inequality
under Bayesian information fusion, is deduced. This allows for deriving
computationally cheap upper bounds for the model predictive sensor selection
algorithm and for comparing the performance of planning over different lengths of time horizons.

Verteilte Messsysteme, pp. 121-132, KIT Scientific Publishing, March, 2010.

URL

Author : Daniel Lyons, Achim Hekler, Benjamin Noack, Uwe D. Hanebeck
Title : Maße für Wahrscheinlichkeitsdichten in der informationstheoretischen Sensoreinsatzplanung
In : Verteilte Messsysteme
Date : March 2010

Abstract

Bei der Beobachtung eines räumlich verteilten Phänomens mit einer
Vielzahl von Sensoren ist die intelligente Auswahl von Messkonfigurationen aufgrund von
beschränkten Rechen- und Kommunikationskapazitäten entscheidend für die
Lebensdauer des Sensornetzes. Mit der Sensoreinsatzplanung kann die im nächsten
Zeitschritt anzusteuernde Messkonfiguration dynamisch mittels einer stochastischen
modell-prädiktiven Planung über einen endlichen Zeithorizont bestimmt werden.
Dabei wird als Gütekriterium die Maximierung des zu erwartenden Informationsgewinns
durch zukünftige Messungen unter sparsamer Verwendung der Energieressourcen gewählt.
In diesem Artikel wird ein neues Maß für kontinuierliche Wahrscheinlichkeitsdichten
vorgestellt, das sich kanonisch aus der Konstruktion eines Vektorraums für
Wahrscheinlichkeitsdichten ergibt. Dieses Maß wird als Gütefunktion in der
vorausschauenden Sensoreinsatzplanung zur Bewertung des informationstheoretischen Einfluß
von Messungen auf die aktuelle Zustandsschätzung verwendet.

Verteilte Messsysteme, pp. 167-178, KIT Scientific Publishing, March, 2010.

URL

Author : Benjamin Noack, Vesa Klumpp, Daniel Lyons, Uwe D. Hanebeck
Title : Systematische Beschreibung von Unsicherheiten in der Informationsfusion mit Mengen von Wahrscheinlichkeitsdichten
In : Verteilte Messsysteme
Date : March 2010

Abstract

Die systematische Behandlung von Unsicherheiten stellt eine wesentliche
Herausforderung in der Informationsfusion dar. Einerseits müssen geeignete Darstellungsformen
für die Unsicherheiten bestimmt werden und andererseits darauf aufbauend effiziente
Schätzverfahren hergeleitet werden. Im Allgemeinen wird zwischen stochastischen und
mengenbasierten Unsicherheitsbeschreibungen unterschieden. Dieser Beitrag stellt ein Verfahren
zur Zustandsschätzung vor, welches simultan stochastische und mengenbasierte Fehlergrößen
berücksichtigen kann, indem unsichere Größen nicht mehr durch eine einzelne
Wahrscheinlichkeitsdichte, sondern durch eine Menge von Dichten repräsentiert werden.
Besonderes Augenmerk liegt hier auf den Vorteilen und Anwendungsmöglichkeiten dieser
Unsicherheitsbeschreibung.

Technical Reports

Daniel Lyons, Jan Calliess, Uwe D. Hanebeck
Chance-constrained Model Predictive Control for Multi-Agent Systems
Technical Report arXiv:1104.5384v3, August, 2011 Available Online

Jan Calliess, Daniel Lyons and Uwe D. Hanebeck
Lazy Auctions for Multi-robot Collision Avoidance and Motion Control under Uncertainty