Machinecontrollers moeten evolueren om gelijke tred te houden met de huidige mechatronische trends. Ten eerste worden machines complexer, waarbij complexere of simpelweg meer subsystemen betrokken zijn, waardoor hun controllers dienovereenkomstig moeten evolueren. Ten tweede neemt het aantal taken en omstandigheden waaronder machines werken toe, bijvoorbeeld door massa aanpassing, waardoor het moeilijker wordt voor een enkele controller om met deze variatie om te gaan, en het afstemmen van deze controller ook moeilijker wordt. Ten slotte moeten er steeds meer aanvullende eisen worden overwogen, zoals energie-optimale regelaars in plaats van bevredigende, lichtgewicht constructies, onderhoudsgemak en afstemming, ... die allemaal weer een complexere regelaar en een moeilijker regelontwerp vereisen. Met klassieke besturing worden deze uitdagingen aangepakt door ervaren besturingstechnici. Dit is echter een moeilijke klus en kan resulteren in suboptimale oplossingen met slechte prestaties of in zeer lange en kostbare afstemmingsprocedures. Als een meer systematische benadering om aan deze behoeften te voldoen, kan leercontrole worden gebruikt. Dit leren gebeurt momenteel per systeem, en wordt dus voor elk systeem onafhankelijk herhaald, waarbij elke controller zelfstandig probeert om te gaan met veranderingen in de omstandigheden, zonder gebruik te maken van de gelijkenis tussen de systemen om dit proces te versnellen.

De nieuwe trend om mechatronische systemen met elkaar te verbinden (rechtstreeks of via de cloud) biedt nieuwe manieren om deze leeralgoritmen te verbeteren: in plaats van per machine te leren, stellen we voor om voor meerdere systemen parallel te leren door informatie te delen en de onderzoekslast te delen, wat resulteert in een algemeen leeralgoritme dat efficiënter is (kortere convergentieperioden) en effectiever (een betere prestatie voor alle systemen, die wordt verkregen door een monotoon verbeterend leerproces). Aangezien er tot op heden geen leersturingstechnieken voor meerdere systemen bestaan, zullen we uitgaan van de bestaande leerbesturing met één systeem en deze uitbreiden.

De ontwikkeling van leerbesturing met meerdere systemen zal leiden tot verbeteringen voor een breed scala aan bedrijven, zoals een snellere inbedrijfstelling van een nieuwe vloot van systemen, een snellere inbedrijfstelling van één enkel systeem wanneer toegevoegd aan een bestaande vloot, een aanpassing van een vloot na een software-update ... Er zullen ook verbeteringen zijn voor systemen die in variabele maar vergelijkbare omstandigheden werken en voor systemen die in dezelfde omgeving werken, waardoor ze zich sneller kunnen aanpassen door informatie te delen. Verder zal er ook een voordeel zijn voor leveranciers van faciliterende technologie en technische dienstverleners die van deze technieken gebruik kunnen maken.

Naast de directe impact voor een breed scala aan bedrijven, is het voorgestelde onderzoek een eerste innovatieve stap in een nieuw veld, aangezien er momenteel maar weinig activiteiten op dit gebied is, zelfs op mondiaal niveau, maar een waarvan we denken dat het een belangrijk onderzoeksonderwerp zal worden in de jaren die komen.