Robuste Regelung mit Hilfe der Control-Lyapunov-Funktion und der Hamilton-Jacobi-Erreichbarkeitsanalyse
Eine Methode zur Berechnung eines robusten Reglers und dessen Einzugsbereich unter Berücksichtigung von Modellunsicherheiten, die die Control-Lyapunov-Funktion mit der Hamilton-Jacobi-Erreichbarkeitsanalyse kombiniert.
Präzise periodische Trajektorien-Verfolgung durch modellprädiktive Regelung mit periodischem Beobachter (Π-MPC)
Durch die Ergänzung der modellprädiktiven Regelung (MPC) mit einem periodischen Beobachter kann eine (nahezu) perfekte Verfolgung trotz erheblicher Modellabweichungen erreicht werden.
Effizientes automatisches Tuning für datengesteuerte modellprädiktive Regelung durch Meta-Learning
Portfolio ist ein Meta-Learning-Ansatz, der die Effizienz und Stabilität des automatischen Tunings von datengesteuerten modellprädiktiven Reglern in AutoMPC verbessert, indem er die Bayessche Optimierung durch eine optimierte Initialisierung warmstartet.
Erlernen eines Rückkopplungsreglers durch Nachahmung von Vorgaben in temporaler Logik
Eine neuartige Methode zum Erlernen eines Neuronalen Netzwerks (NN), das das Verhalten eines komplexen Reglers nachahmt, der Anforderungen in Signaltemporaler Logik (STL) erfüllt. Die Lernmethode verwendet eine effiziente Datenaggregation basierend auf Gegenbeispielen und einer Abdeckungsmessung, um die Leistung des gelernten Reglers zu verbessern.
© 2024 by Linnk AI