Detailseite
Projekt
Benchmarks für aktive Lernverfahren in der Systemtheorie und Regelungstechnik
Antragstellerinnen / Antragsteller
Professor Dr.-Ing. Timm Faulwasser; Professorin Dr.-Ing. Sandra Hirche
Fachliche Zuordnung
Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
Förderung
Förderung seit 2025
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 535860958
Als Teil der Forschungsgruppe "Aktives Lernen für dynamische Systeme und Regelung (AleSCo) - Dateninformativität, Unsicherheiten und Garantien" werden in diesem Projekt Benchmarks für aktive Lernverfahren in der Systemtheorie und Regelungstechnik entwickelt. Datensätze und Testprobleme sind essentiell für den transparenten Vergleich von Methoden z.B. in Maschinellem Lernen, Optimierung und Regelung. Es existieren zahlreiche Benchmarks für überwachtes Lernen, sowie in der Regelungstechnik und in der Robotik. Eine bemerkenswerte Lücke im Stand der Wissenschaft besteht jedoch in Bezug auf Benchmarks für Lernstrategien für dynamische Systeme. Ziel dieses Projektes ist es, diese Lücke durch die Entwicklung von repräsentativen und anspruchsvollen Testproblemen, welche die Evaluierung und den Vergleich von aktiven Lernstrategien für systemtheoretische und regelungstechnische Fragestellungen ermöglichen, zu adressieren und zu schließen. Dazu entwickeln wir regelungstechnische Testprobleme für Multienergiesysteme und Robotik, die bezüglich des Lernens als Regressionsaufgaben formuliert werden können. Die Bewertung im geschlossenen Regelkreis erfolgt mittels neu entwickelten grundlegenden Vergleichsmetriken. Als einen Anwendungsbereich werden Energieverteilnetze betrachtet, wobei reale Datensätze sowie realistische Lastprofile und Wetterdaten genutzt werden. Die Benchmarks sind von variierender Komplexität, die von bekannten Modellen zu partieller Modellunsicherheit reichen und die einzelne Knoten oder vollständige Verteilnetze unter Restriktionen umfassen. Dadurch wird es ermöglicht, aktive lernende Regelungsverfahren unter Berücksichtigung stochastischer Unsicherheiten, parametrischer Drifts und unbekannter Netztopologie zu evaluieren. Im Anwendungsbereich Robotik konzentriert sich das Projekt auf die autonome Navigation und Manipulationsaufgaben mit Unterwasserfahrzeugen und flexiblen Roboterarmen. Diese Benchmarks berücksichtigen Kinematik und Dynamik sowie exogene Störungen mit einstellbaren Stufen für die Komplexität im Sinne von Zustands- und Eingangsdimension sowie für die Verfügbarkeit von Systeminformation über Modelparameter und Zustände. Experimentell abgeleitete Modelle für Sensorrauschen und externe Störungen sollen die Lücke zwischen Simulation und Realität reduzieren. Das Projekt untersucht zudem, wie die Transparenz der Vergleiche durch mehr-dimensionaler Bewertungsmetriken gesichert werden kann. Dazu werden Aspekte wie Lernraten, Verletzung von Sicherheitsbeschränkungen, Rechenzeitbedarfe, und Regret-Maße betrachtet. Eine Schlüsselfrage des Projektes ist die Untersuchung, wie regelungstheoretische Konzepte (z.B. Dateninformativität, Invarianz und Stabilität) in sinnvolle Metriken übersetzt werden können. Die Benchmarks werden open-source und entsprechend der FAIR-Prinzipien in Python entwickelt, um so die langfristige Nutzbarkeit für systemtheoretische und regelungstechnische Fragestellungen des aktiven Lernens zu ermöglichen.
DFG-Verfahren
Forschungsgruppen
