Benutzer: Gast  Login
Mehr Felder
Einfache Suche
Originaltitel:
Learning and Feedback in Robotics with Stabilizing Controller Parameterizations
Übersetzter Titel:
Maschinelles Lernen und Regelung in der Robotik mit Parametrierungen stabilisierender Regler
Autor:
Friedrich, Stefan Roland
Jahr:
2021
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Elektrotechnik und Informationstechnik
Betreuer:
Buss, Martin (Prof. Dr.)
Gutachter:
Buss, Martin (Prof. Dr.); Adamy, Jürgen (Prof. Dr.)
Sprache:
en
Fachgebiet:
MSR Meßtechnik, Steuerungs- und Regelungstechnik, Automation
TU-Systematik:
MSR 600d
Kurzfassung:
Increasing autonomy of intelligent robots demands for control technologies to leverage machine learning in the closed feedback loop while preserving stability. To this end, the parameterization of stabilizing controllers is investigated and combined with reinforcement learning, with a particular focus on robotics. The proposed control architectures and learning algorithms are illustrated by means of simulations and two case studies including laboratory experiments on robotic hardware.
Übersetzte Kurzfassung:
Die zunehmende Autonomie intelligenter Roboter erfordert Regelungstechnologien, die die Anwendung maschinellen Lernens unter Erhaltung der Stabilität im geschlossenen Regelkreis ermöglichen. Hierzu wird die Parametrierung stabilisierender Regler untersucht und mit Bestärkendem Lernen kombiniert, mit besonderem Augenmerk auf die Robotik. Die vorgestellten Regelungsarchitekturen und Lernalgorithmen werden durch Simulationen und anhand zweier praktischer Fallstudien mit Laborexperimenten auf Robote...     »
WWW:
https://mediatum.ub.tum.de/?id=1543212
Eingereicht am:
08.06.2020
Mündliche Prüfung:
30.04.2021
Dateigröße:
7518805 bytes
Seiten:
228
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20210430-1543212-1-6
Letzte Änderung:
15.07.2021
 BibTeX