Benutzer: Gast  Login
Weniger Felder
Einfache Suche
Originaltitel:
Safe Learning Control for Gaussian Process Models
Übersetzter Titel:
Sicherheitsgarantien für lernende Regler mit Gaußprozessmodellen
Autor:
Umlauft, Jonas Michael
Jahr:
2020
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Elektrotechnik und Informationstechnik
Betreuer:
Hirche, Sandra (Prof. Dr.)
Gutachter:
Hirche, Sandra (Prof. Dr.); Müller, Matthias (Prof. Dr.)
Sprache:
en
Fachgebiet:
MSR Meßtechnik, Steuerungs- und Regelungstechnik, Automation
Stichworte:
safe learning; Gaussian processes; learning control; data-driven modeling; stochastic stability; uncertainty-based control; event-triggered learning;
Übersetzte Stichworte:
sicheres Lernen; Gaußprozesse; lernende Regelung; datengetriebene Modellierung; stochastische Stabilität; unsicherheitsbasierte Regelung; ereignisbasierte Regelung
TU-Systematik:
MSR 550d
Kurzfassung:
Machine learning enables autonomous systems to model their environment based on data. However, in safety relevant applications, data-driven models are rarely employed because no guarantees can be provided for the behavior of these self-learning systems. This thesis develops a novel control design framework based on Gaussian processes providing safety certificates. It actively avoids uncertainties or collects new data points to ensure safe behavior. Stability for the closed control loop is forma...     »
Übersetzte Kurzfassung:
Maschinelles Lernen ermöglicht autonomen Systemen ihr Umfeld mithilfe von Daten zu modellieren. In sicherheitsrelevanten Anwendungen kommen diese datengetriebenen Modelle aber kaum zum Einsatz, weil keine Garantie für das Verhalten selbstlernender Systeme gegeben werden kann. Basierend auf Gaußprozessen entwickelt diese Arbeit eine neuartige Regelungsstruktur, die es ermöglicht Sicherheitsgarantien zu gegeben. Der Regler weicht Unsicherheiten aktiv aus und sammelt bei Bedarf neue Datenpunkte, um...     »
WWW:
https://mediatum.ub.tum.de/?id=1520311
Eingereicht am:
01.10.2019
Mündliche Prüfung:
21.07.2020
Dateigröße:
6457036 bytes
Seiten:
147
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20200721-1520311-1-4
Letzte Änderung:
03.11.2020
 BibTeX