Logo Leibniz Universität Hannover
Logo: Institut für Regelungstechnik /Leibniz Universität Hannover
Logo Leibniz Universität Hannover
Logo: Institut für Regelungstechnik /Leibniz Universität Hannover
  • Zielgruppen
  • Suche
 

Maschinelles Lernen

  • Multi-Agenten Reinforcement Learning
  • Lernen optimaler Bewegungen/Trajektorien
  • Trajektoriengeneralisierung
  • Aufgabenlernen und –adaption
  • Cloud-Konzepte im Maschinellen Lernen

Maschinelles Lernen in der Regelungsechnik

Dieser Forschungsschwerpunkt des IRT, der eng mit moderner nichtlinearer und optimaler Regelung von komplexen dynamischen Systemen verbunden ist, widmet sich der systematischen Nutzung von Ansätzen und Theorien des Maschinellen Lernens in der Regelungstechnik. Erste Ergebnisse dieser Forschungsrichtung beinhalten neuartige Methoden zur systematischen Kombination von Optimalsteuerung komplexer nichtlinearer Systeme, sowie dem Lernen und Verallgemeinern mit Hilfe von Methoden des Maschinellen Lernens. Die Ergebnisse konnten bereits in komplexen Roboteranwendungen erfolgreich validiert werden. Hierdurch werden nahezu optimale Lösungen hochgradig nichtlinearer Problemstellungen in Realzeit lösbar und ausführbar gemacht.

Publikationen


Bücher

Höhn, O. (2008): Erkennung, Klassifikation und Vermeidung von Stürzen zweibeiniger Roboter, Norderstedt, Books On Demand. Dissertation, Leibniz Universität Hannover. weitere Informationen

BibTeX

Buchkapitel

Haddadin, S., Weitschat, R., Huber, F., Özparpucu, M. C., Mansfeld, N., Albu-Schäffer, A. (2016): Optimal Control for Viscoelastic Robots and Its Generalization in Real-Time, Inaba, M., Corke, P. (Eds.): Robotics Research: The 16th International Symposium ISRR, Springer International Publishing, 131-148
DOI: 10.1007/978-3-319-28872-7_8

Zeitschriftenartikel

Li, Y. and Ganesh, G.; Jarrasse, N.; Haddadin, S.; Albu-Schäffer, A. & Burdet, E. (2018): Force, Impedance and Trajectory Learning for Contact Tooling and Haptic Identification, Accepted for IEEE Transactions on Robotics

Höhn, O. & Gerth, W. (2009): Probabilistic Balance Monitoring for Bipedal Robots, The International Journal of Robotics Research, vol. 28, no. 2, Feb, pp. 245-256.
DOI: 10.1177/0278364908095170

BibTeX

Konferenzbeiträge

Hu, Tingli; and Kühn, Johannes; and Ma'touq, Jumana & Haddadin, Sami (2018): Learning and Identification of human upper-limb muscle synergies in daily-life tasks with autoencoders, OTWorld Congress, Leipzig, Germany, 15.-18. May, weitere Informationen

Diaz Ledezma, Fernando & Haddadin, Sami (2017): First-Order-Principles-Based Constructive Network Topologies: An Application to Robot Inverse Dynamics, IEEE RAS International Conference on Humanoid Robots, Birmingham, UK

Golz, S., Osendorfer, Ch. & Haddadin, S. (2015): Using tactile sensation for learning contact knowledge: Discrimination collision from physical interaction, Accepted at: 2015 IEEE International Conference on Robotics and Automation
DOI: 10.1109/ICRA.2015.7139726

BibTeX

Höhn, O. & Gerth, W. (2008): Wahrscheinlichkeitsbasierte Sturzklassifikation von zweibeinigen Robotern, 42. Regelungstechnisches Kolloquium -- Kurzfassung der Beiträge, Feb., Boppard, pp. 39-40. weitere Informationen

BibTeX

Höhn, O., Schollmeyer, M. & Gerth, W. (2004): Sturzvermeidung von zweibeinigen Robotern durch reflexartige Reaktionen, In Holleczek, P. & Vogel-Heuser, B. (Ed.): Eingebettete Systeme. PEARL 2004, Informatik aktuell, Berlin Heidelberg, Springer, pp. 60-69. weitere Informationen
DOI: 10.1007/978-3-642-18594-6_7

BibTeX