Detailseite
Projekt
Sichere aktiv lernende Regelung mit Gaußprozessen
Antragstellerin
Professorin Dr.-Ing. Sandra Hirche
Fachliche Zuordnung
Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
Förderung
Förderung seit 2025
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 535860958
Dieses Projekt ist Teil der Forschungsgruppe "Aktives Lernen für dynamische Systeme und Regelung (ALeSCo)- Dateninformativität, Unsicherheiten und Garantien". Aktives Lernen, also die gezielte Gewinnung informativer Trainingsdaten, ist ein hoch relevantes, aber noch wenig erforschtes Thema im Bereich der Modellierung und Regelung unsicherer komplexer dynamischer Systeme. Das Grundkonzept des aktiven Lernens hat erhebliches Anwendungspotenzial in verschiedenen Bereichen wie z.B. der autonomen Robotik und Energiesystemen. Das Hauptziel dieses Projekts ist die Entwicklung eines neuen Rahmens für sicheres aktives Lernen in lernenden Regelungen basierend auf Gauß-Prozess (GP)-Modellen. Die GP-Regression bietet einen hochflexiblen Ansatz des maschinellen Lernens, um nichtlineare Funktionen - hier unsichere Dynamiken - auf Basis von Trainingsdaten zu erlernen. Sie bietet einen prinzipiellen Ansatz zur Unsicherheitsquantifizierung, die für robuste Garantien unerlässlich ist. Wir werden verschiedene Sicherheitsbegriffe untersuchen, einschließlich robuster Konvergenz und Vorwärtsinvarianz. Die Hauptinnovation dieses Projekts liegt in der Fokussierung auf aktives Lernen für die Regelung, was eine andere Strategie erfordert als bestehende Methoden des aktiven Lernens für die Funktionsregression, wie unsere vorläufigen Ergebnisse zeigen. Zu diesem Zweck werden wir neuartige regelungsorientierte Maße für die Dateninformativität entwickeln, um sie für die sichere Exploration mit garantierten Lernraten der Regelung einzusetzen. Des Weiteren werden rechentechnische Aspekte untersucht. Die entwickelten Algorithmen werden theoretisch in Bezug auf robuste Regelungsgarantien, Lernraten und den Trade-Off zwischen Berechnungskomplexität und Unsicherheit analysiert. Darüber hinaus werden sie in den in der Forschungsgruppe ALeSCo entwickelten Benchmark-Problemen evaluiert.
DFG-Verfahren
Forschungsgruppen
