Record #627741

DFG project G:(GEPRIS)535860958

FOR 5785: Aktives Lernen für dynamische Systeme und Regelung - Dateninformativität, Unsicherheiten und Garantien

Coordinator	Professor Dr.-Ing. Matthias Müller
Grant period	2025 -
Funding body	Deutsche Forschungsgemeinschaft
	DFG
Identifier	G:(GEPRIS)535860958

Note: In den letzten Jahren haben daten- und lernbasierte Ansätze für die Regelung (partiell) unbekannter dynamischer Systeme in hochkomplexen und unsicheren Umgebungen stark an Bedeutung gewonnen. Maschinelles Lernen kann hier z. B. zur Erzeugung eines Systemmodells oder zum direkten Erlernen einer Regelung verwendet werden. Während Standardanwendungen des maschinellen Lernens in der Regel auf statische Probleme führen, ergeben sich beim Einsatz lernbasierter Konzepte für dynamische Systeme viele zusätzliche Herausforderungen. Bspw. sind Sicherheitsgarantien in Anwendungen wie dem autonomen Fahren, der Mensch-Maschine Interaktion oder in Energiesystemen von entscheidender Bedeutung. Für herkömmliche Verfahren des maschinellen Lernens sind derartige Garantien i. A. nicht verfügbar, sodass neuartige Methoden und die Nutzung strukturierter Ansätze der Regelungstechnik und Systemtheorie erforderlich sind. Das Hauptziel der Forschungsgruppe ist die Entwicklung von grundlegend neuen Ansätzen des aktiven Lernens für dynamische Systeme sowie deren Regelung, bei denen der Lernprozess fortwährend beeinflusst wird. Dies steht im Gegensatz zum Großteil bestehender Arbeiten zur lernbasierten Regelung, bei denen Offline- oder Online-Daten zum Lernen ohne aktive Komponenten verwendet werden. Derartige aktive Lernstrategien sind erforderlich, um einen sicheren, performanten und dateneffizienten Betrieb komplexer und unsicherer Systeme zu gewährleisten. Zu diesem Zweck untersuchen wir, was, wann und wie aktiv gelernt werden soll. Der Fokus liegt darauf, was in Abhängigkeit der spezifischen Problemstruktur (wie der Modellgenerierung oder dem Reglerentwurf) zu lernen ist und wann das aktive Lernen stattfinden soll, z. B. bei unzureichendem Informationsgehalt der aktuellen Daten, bei zu großer Modellunsicherheit oder unzureichender Regelgüte. Schließlich werden verschiedene Methoden des aktiven Lernens entwickelt. Dabei untersuchen wir sowohl verschiedene Lerntechniken (neuronale Netze, Gauß-Prozesse und Koopman Methoden) als auch verschiedene implizite und explizite Mechanismen für aktives Lernen. Für aktives Lernen spielt der Informationsgehalt der Daten eine entscheidende Rolle. Grundsätzlich sollten die aktiven Lernkomponenten die Gewinnung möglichst reichhaltiger Informationen aus den gesammelten Daten erlauben. Im Rahmen der Forschungsgruppe entwickeln und untersuchen wir verschiedene Informationsmaße für Daten und ihre Nutzung für aktives Lernen. Die neu entwickelten Methoden stellen den sicheren und zuverlässigen Betrieb dynamischer Systeme mathematisch rigoros sicher. Dazu gehören z. B. Garantien bzgl. Fehlerschranken, erzielter Lernraten oder Stabilität und Robustheit des geschlossenen Regelkreises sowie Erfüllung von Nebenbedingungen. Schließlich sollen effiziente numerische Algorithmen entworfen werden, die die erfolgreiche Anwendung der untersuchten Methoden an Benchmark-Systemen aus der Robotik und Energietechnik erlauben.

Recent Publications

There are no publications

Record created 2025-05-10, last modified 2025-05-19

Similar records

Rate this document:

(Not yet reviewed)

Add to personal basket
Export as Author List with IDs BibTeX (UTF-8), EndNote XML, EndNote Text, RIS, MARC, Print MARC, MARCXML, DC,
Request correction
Submit fulltext

guest :: login PUBDB
		Search		Submit		Personalize Your alerts Your baskets Your searches		Help