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 Roboterhardware veranschaulicht.     «

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...     »