Name des Teilnehmers: Johannes Westermann
Beschreibung des IT-Forschungsprojekts: Die steigende Komplexität mechatronischer Systeme zeichnet sich auch im Ressourcenbedarf der Entwicklung ab. Für jedes System müssen Regelungskonzepte entwickelt, implementiert und optimiert werden, wofür Expertenwissen und Erfahrung meist unabdingbar sind. Zudem liefert die Modellierung solch komplexer Systeme oft keine hinreichend genauen Systemmodelle, welche die Grundlage des konventionellen Reglerentwurfs darstellen.
Abhilfe können Methoden aus dem Bereich des maschinellen Lernens schaffen. Selbstlernende Konzepte wie Reinforcement Learning (RL) erhalten in den vergangenen Jahren zunehmend Aufmerksamkeit in der Regelungstechnik. Diese Verfahren lernen durch Interaktion mit dem System, selbiges optimal bezüglich einer vorgegebenen Güteanforderung zu regeln. Dennoch finden bislang nur wenige RL-Regelungskonzepte außerhalb von Simulations- und Laborumgebungen Anwendung. Ursache dafür ist die Notwendigkeit von RL-Methoden – ähnlich wie bei Säuglingen, die beim Steuern ihrer Extremitäten anfangs unbeholfene, zufällige Bewegungen ausführen – durch Ausprobieren zu lernen.
In diesem Projekt sollen RL-Methoden entwickelt werden, welche möglichst viel Vorwissen verwenden, um die initiale Trainingsphase sicher zu gestalten und an realen Systemen eingesetzt werden zu können. Dadurch konzentriert sich der Ressourcenbedarf des Reglerentwurfs auf die einmalige Entwicklung selbstlernender Konzepte, welche anschließend automatisiert Regelgesetze für komplexe Systeme lernen und anwenden können.
Software Campus-Partner: KIT, IAV
Umsetzungszeitraum: 01.01.2020 – 30.04.2021
