Wir freuen uns über unseren Beitrag bei der 2026 8th Annual Learning for Dynamics & Control Conference in Los Angeles. Herzlichen Glückwunsch an die Autoren!
Learning Dynamics from Input-Output Data with Hamiltonian Gaussian Processes. Jan-Hendrik Ewering, Robin E. Herrmann, Niklas Wahlström, Thomas B. Schön, Thomas Seel
Der Artikel stellt einen vollständig bayesschen Ansatz vor, um nicht-konservative Hamiltonsche Gaussian-Process-Modelle direkt aus Ein-/Ausgangsdaten zu lernen, ohne Geschwindigkeits- oder Impulsmessungen zu benötigen. Dabei werden verborgene Zustände und physikalische Parameter (z. B. Dämpfung) gemeinsam inferiert. In einer nichtlinearen Simulationsstudie zeigt der Ansatz eine Leistung, die mit State-of-the-Art-Methoden vergleichbar ist.
Wir danken dem gesamten Team, insbesondere Jan-Hendrik Ewering, 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://sites.google.com/usc.edu/l4dc2026/, https://arxiv.org/abs/2511.05330