guest ::
Probabilistic optimization for the control of dynamical systems
2024 & 2025
Dissertation, RWTH Aachen University, 2024
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2025
Genehmigende Fakultät
Fak01
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2024-12-03
Online
DOI: 10.18154/RWTH-2025-02257
URL: https://publications.rwth-aachen.de/record/1006124/files/1006124.pdf
Einrichtungen
Inhaltliche Beschreibung (Schlagwörter)
Bayesian optimization (frei) ; controller tuning (frei) ; data-driven control (frei) ; learning-based control (frei) ; machine learning (frei) ; robust control (frei) ; scenario optimization (frei)
Thematische Einordnung (Klassifikation)
DDC: 004
Kurzfassung
Die Regelung dynamischer Systeme ist ein zentraler Aspekt der Automatisierungstechnik und für die moderne Gesellschaft unverzichtbar. Die Entwicklung effizienter Regler ist jedoch schwierig und kostspielig. Maschinelles Lernen kann diesen Prozess automatisieren, doch lernbasierte Regelung erfordert dateneffiziente und robuste Methoden. Diese Arbeit beschäftigt sich mit der Frage: "Wie können wir effizient lernen, dynamische Systeme zu regeln?" Dabei wird die Regelung als probabilistisches Optimierungsproblem betrachtet. Wir stellen Methoden zur Entscheidungsfindung unter Unsicherheit vor, die effiziente Datenerfassung ermöglichen, und schlagen Reglersynthesemethoden für probabilistische Modelle mit formalen Garantien vor. Zunächst befassen wir uns mit der Reglereinstellung, die traditionell umfangreiche Experimente erfordert. Wir entwickeln eine Bayes'sche Optimierungsmethode zur dateneffizienten Verbesserung von Reglern durch Reduzierung der Unsicherheit in Gradientenschätzungen. Diese Methode wird anhand synthetischer Probleme sowie Simulationen und Hardwareexperimenten validiert. Des Weiteren schlagen wir drei probabilistisch robuste Reglerentwürfe vor, die Unsicherheiten durch Modelllernen berücksichtigen. Diese umfassen eine Synthese mit probabilistischen Stabilitätsgarantien, basierend auf der Verteilung gelernter Modelle; die Behandlung aleatorischer Unsicherheit in Systemen mit Variationen, wobei wir obere Schranken für die minimal erforderliche Datenmenge zur Erreichung quadratischer Stabilität ableiten; und einen ereignisgesteuerten Lernalgorithmus für unsichere, zeitvariable Dynamiken, der Änderungen im System erkennt und den Lernprozess auslöst. Zusammengefasst geht es in dieser Arbeit um die effiziente Regelung dynamischer Systeme durch probabilistische Optimierung. Mit dateneffizienten Methoden des maschinellen Lernens verbessern wir die Regelung und minimieren den Ressourcenverbrauch. Die Methoden werden durch Simulationen und Experimente validiert.The control of dynamical systems is a central aspect of automation technology, integral to modern society. However, designing resource-efficient controllers specific to each system remains challenging and costly. Machine learning can automate this process, but learning-based control requires methods that are both data-efficient and robust. This thesis addresses the central question: "How can we efficiently learn to control dynamical systems from data?" by framing learning-based control as a probabilistic optimization problem. We introduce novel methods for decision-making under uncertainty that enable efficient data collection and propose learning-based control algorithms for probabilistic models with formal guarantees. First, we tackle the controller tuning problem, which traditionally demands extensive experimentation. We develop a Bayesian optimization method for data-efficient improvement of candidate controllers by reducing uncertainty in gradient estimates. This method is validated through synthetic problems, simulated experiments, and hardware controller tuning. Second, we propose three probabilistically robust control methods that account for uncertainties arising from data-driven model learning. These include a controller synthesis method with probabilistic stability guarantees, leveraging the posterior distribution of learned models; an approach addressing aleatoric uncertainty in systems with inherent variations, deriving upper bounds on the minimum data required to achieve quadratic stability; and an event-triggered learning algorithm for uncertain and time-varying dynamics, which detects system changes and triggers re-learning. In summary, this thesis addresses the challenge of efficiently learning to control dynamical systems from data using probabilistic optimization. By leveraging data-efficient probabilistic machine learning techniques, we improve control performance while minimizing resource consumption. The proposed methods are validated through simulations and experiments.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis
Format
online
Sprache
English
Externe Identnummern
HBZ: HT030975475
Interne Identnummern
RWTH-2025-02257
Datensatz-ID: 1006124
Beteiligte Länder
Germany
