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.
Translated abstract:
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.