Login
- Originaltitel:
- Gaussian Processes in Control: Performance Guarantees through Efficient Learning
- Übersetzter Titel:
- Gauß-Prozesse in der Regelung: Performanzgarantien durch effizientes Lernen
- Autor:
- Lederer, Armin
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Betreuer:
- Hirche, Sandra (Prof. Dr.)
- Gutachter:
- Hirche, Sandra (Prof. Dr.); Krause, Andreas (Prof. Dr.); Jones, Colin (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- MSR Meßtechnik, Steuerungs- und Regelungstechnik, Automation
- Stichworte:
- learning control; Gaussian processes; safe learning; online learning; distributed learning; learning control architectures; data-driven control; efficient learning
- Übersetzte Stichworte:
- lernende Regelung; Gauß-Prozesse; sicheres Lernen; online Lernen; verteiltes Lernen; Architekturen für lernende Regelung; daten-getriebene Regelung; effizientes Lernen
- TU-Systematik:
- MSR 550
- Kurzfassung:
- While Gaussian process (GP) models promise to enable learning control, their application creates theoretical and practical issues. In this thesis, theoretical challenges are addressed through the derivation of accuracy guarantees for GP-based controllers. The improvement with suitable training data is proven. Concerning the practical issues, an approximation for GP-based online learning is proposed and demonstrated in experiments.
- Übersetzte Kurzfassung:
- Gauß-Prozess (GP) Modelle versprechen zwar eine lernende Regelung zu ermöglichen, ihre Anwendung wirft jedoch theoretische und praktische Probleme auf. In dieser Arbeit werden die theoretischen Herausforderungen durch die Herleitung von Genauigkeitsgarantien für GP-basierte Regler angegangen. Die Verbesserung mit geeigneten Trainingsdaten wird bewiesen. Im Hinblick auf die praktischen Probleme wird eine Approximation für GP-basiertes Online-Lernen vorgeschlagen und in Experimenten demonstriert.
- WWW:
- https://mediatum.ub.tum.de/?id=1700242
- Eingereicht am:
- 22.02.2023
- Mündliche Prüfung:
- 12.06.2023
- Dateigröße:
- 6248021 bytes
- Seiten:
- 219
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230612-1700242-1-6
- Letzte Änderung:
- 11.08.2023
BibTeX
Vorkommen:
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and Technology
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Computation, Information and TechnologyPrüfungsarbeitenDissertationen
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and TechnologyComputer Engineering