Wir freuen uns über unsere zwei Beiträge bei der 2024 63rd IEEE Conference on Decision and Control (CDC) in Mailand. Herzlichen Glückwunsch an die Autoren!
Efficient Online Inference and Learning in Partially Known Nonlinear State Space Models by Choosing Expressive Degrees of Freedom. Jan-Hendrik Ewering, Björn Volkmann, Simon F. G. Ehlers, Thomas Seel, and Michael Meindl
In dem Paper stellen wir einen Algorithmus vor, um effizientes Schätzen und Lernen in realen Systemen zu ermöglichen. Dabei werden unbekannte Modellanteile im Betrieb nur auf Basis von Eingangs- und Ausgangsdaten gelernt. Der Schlüsselbaustein, um dies effizient und ohne Expertenwissen zu ermöglichen, ist eine vormalige Konditionierung der lernbasierten Modellanteile, sodass das Lernen im Betrieb auf die aussagekräftigsten Freiheitsgrade beschränkt ist.
Reference-Adapting Iterative Learning Control for Motion Optimization in Constrained Environments. Michael Meindl, Simon Bachhuber, Thomas Seel
In dem Paper stellen wir eine methodische Erweiterung der konventionellen Iterative Learning Control da, um diese einzusetzen, sodass Roboter selbständig ihre Bewegungsausführung auch in beschränkten Umgebungen optimieren können.
Wir danken dem gesamten Team, insbesondere Jan-Hendrik Ewering und Michael Meindl, für die engagierte Arbeit an diesen Projekten. Eure Zusammenarbeit und harte Arbeit hat eine entscheidende Rolle für diesen Erfolg gespielt.
Weitere Infos findet ihr hier: https://cdc2024.ieeecss.org/