Advanced Robot Learning and Decision-Making

Worum geht's

Du lernst fortgeschrittene Methoden für Robotik, die Modellierung, optimale Regelung und lernbasierte Verfahren (inkl. Reinforcement Learning) verbinden. Am Ende kannst du robotische Systeme modellieren, moderne Steuerungsalgorithmen ableiten und gelernte Modelle in Kontrollarchitekturen einsetzen, um mit Unsicherheiten und Modellfehlern umzugehen.

Was du danach kannst

Optimaler Reglerentwurf für mobile Roboter ableiten
Lernbasierte Ansätze zur Kompensation von Modellfehlern entwickeln
Stärken und Grenzen von optimaler Regelung, lernbasiertem Regelverhalten und RL einschätzen
State-of-the-art-Algorithmen implementieren und prototypisch anwenden

Aus was das Modul besteht

VorlesungenEinführung und Vermittlung der theoretischen Grundlagen
In-Class TutorialsDurcharbeiten von Beispielen und Setups
Praktische SessionsHands-on-Implementierung von Algorithmen, teils in der Vorlesung, teils als Take-Home-Übungen

Lehrmethode

VorlesungenVermittlung der Kernkonzepte
In-Class TutorialsVertiefung durch praktische Beispiele und Übung
Praktische Sessions / ProgrammieraufgabenImplementierung und Anwendung von Algorithmen zur Festigung des Verständnisses

Solltest du schon können

Gute Kenntnisse in Analysis, Wahrscheinlichkeitsrechnung und Linearer Algebra
Grundlagen der Regelungstechnik
Python-Programmierung
Motivation und Interesse an Robotik, maschinellem Lernen und Regelung
Empfohlen: Kurse zu dynamischen Systemen, optimaler Regelung, klassischem RL, Optimierung, mobiler Robotik, maschinellem Lernen/Deep Learning (z. B. I2DL)empfohlen
Optional: ‚Optimal Control and Decision Making‘ (parallel laufend) ist nützlich, aber nicht verpflichtendempfohlen

Prüfung

mündliche PrüfungProgrammierungsübungen (Bonus)

Mündliche Prüfung, 20 Minuten pro Student (Einzelprüfung). Ziel ist die Bewertung des Verständnisses zentraler Themen, analytischer und problemlösender Fähigkeiten sowie Fertigkeiten bei der Anwendung auf reale Robotik-Szenarien. Wenn alle 5 Programmieraufgaben erfolgreich bestanden wurden, gibt es einen Bonus von +0,3 Punkten zur Gesamtnote (Bonus wird nur gewährt, wenn die mündliche Prüfung bestanden ist).

Literatur

Bertsekas - Dynamic Programming and Optimal Control, Vol. I and II
Bertsekas - Reinforcement Learning and Optimal Control
Borrelli, Bemporad, Morari - Predictive Control for Linear and Hybrid Systems
Sutton, Barto - Reinforcement Learning: An Introduction
Bishop, Nasrabadi - Pattern Recognition and Machine Learning
Williams, Rasmussen - Gaussian Processes for Machine Learning
Vorlesungsunterlagen und Folien

Filter

Advanced Robot Learning and Decision-Making

Worum geht's

Was du danach kannst

Aus was das Modul besteht

Lehrmethode

Termine

VorlesungAdvanced Robot Learning and Decision-Making

Modulbewertungen

Modul bewerten