In vielen regelungstechnischen Anwendungen sind entweder das mathematische Systemmodell oder die Rahmenbedingungen, denen das geregelte System unterliegt, unbekannt oder unsicher. Dadurch sind klassische Regelungsmethoden oft nicht anwendbar. Datenbasierte Regelung beschäftigt sich daher mit dem Fall, dass kein Modell des Systems vorhanden ist und ermöglicht die Auslegung stabilisierender Regler anhand geeigneter Eingangs-/Ausgangs-Messungen des Systems. In ähnlicher Weise verwenden lernbasierte Regelungskonzepte künstliche Intelligenz oder lernende Algorithmen, um online entweder ein Modell, die Systemumgebung oder direkt einen Regler aus gemessenen Daten zu bestimmen. Diese Methoden haben ein großes Anwendungspotential in der Regelung nichtlinearer Systeme, bei denen die Ermittlung genauer Modelle oft aufwändig oder nicht praktikabel ist.
Unsere Forschung konzentriert sich insbesondere auf
- die Anwendung von Online Convex Optimization zur Regelung dynamischer Systeme,
- datenbasierte Beschreibungen von nichtlinearen Systemen,
- die Entwicklung datenbasierter prädiktiver Regelung,
- den Entwurf von off-policy Reinforcement Learning Algorithmen zur Ermittlung von Zustandsreglern
- die Analyse von datenbasierten Reglern für unregelmäßig abgetastete Systeme und
- die Entwicklung von daten/lernbasierten Schätzern.
Ausgewählte Veröffentlichungen
-
(2023): Efficient Off-Policy Q-Learning for Data-Based Discrete-Time LQR Problems, IEEE Transactions on Automatic Control, pp. 1-12
DOI: 10.1109/TAC.2023.3235967 -
(2022): On a continuous-time version of Willems' lemma, IEEE 61st Conference on Decision and Control (CDC), pp. 2759-2764
DOI: 10.1109/CDC51059.2022.9992347 -
(2022): Data-Based Moving Horizon Estimation for Linear Discrete-Time Systems, 2022 European Control Conference (ECC), pp. 1778-1783
arXiv: 2111.04979 -
(2021): Data-Based System Analysis and Control of Flat Nonlinear Systems, 60th IEEE Conference on Decision and Control (CDC), pp. 1484-1489
DOI: 10.1109/CDC45484.2021.9683327
arXiv: 2103.02892 -
(2021): Data-Driven Model Predictive Control With Stability and Robustness Guarantees, IEEE Transactions on Automatic Control, 2021, Vol. 66, No. 4, pp. 1702-1717
DOI: 10.1109/TAC.2020.3000182 -
(2021): Data-driven online convex optimization for control of dynamical systems, 2021 60th IEEE Conference on Decision and Control (CDC), 2021, 3640-3645
DOI: 10.1109/CDC45484.2021.9683550
arXiv: 2103.09127
Ausgewählte Projekte
-
Cont4Med - Estimation and control under limited information with application to biomedical systemsLeitung: Prof. Dr.-Ing. Matthias MüllerTeam:Jahr: 2021Förderung: This project has received funding from the European Research Council (ERC) under the European Union’s Horizon 2020 research and innovation programme (grant agreement No 948679).Laufzeit: 2021 - 2025
-
Convex online optimization for dynamic systems controlLeitung: Prof. Dr.-Ing. Matthias MüllerTeam:Jahr: 2023Förderung: Deutsche Forschungsgemeinschaft (DFG) - 505182457Laufzeit: 2023 - 2025