TY - THES A1 - Baldauf, Niklas T1 - Untersuchung lernbasierter Methoden zur Regelung eines mobilen Roboters mit Modellunsicherheiten N2 - Das Ziel der vorliegenden Arbeit ist die theoretische Ausarbeitung und simulative Verifizierung eines lernbasierten Verfahrens zur Regelung eines mobilen Roboters, der in der Lage ist, auf unbekannte Störungen sowie auf Unsicherheiten im System- und Umgebungsmodell zu reagieren. Dazu werden zunächst die theoretischen Grundlagen und Möglichkeiten der lernbasierten modellprädiktiven Regelung zusammengefasst und eine Übersicht über verschiedenen Ansätze gegeben. Des Weiteren werden zwei vielversprechende Ansätze genauer vorgestellt. Zum Einen wird eine Methode mit einem nichtparametrischen stochastischen Modell und zum anderen ein Ansatz mit einem parametrischen Modell und zusätzlichem Lernen terminaler Komponenten des Regelungsproblems präsentiert. Im Anschluss wird eine Methode des iterativen LMPC (Lerarning Model Predicitve Control) theoretisch ausgearbeitet, angepasst und erweitert. Die entstandene Methode wird im Anschluss anhand einer einfachen Python Simulation zur eindimensionalen Lageregelung eines Satelliten verifiziert und so die grundsätzliche Funktionalität des Ansatzes sicher gestellt. In dem nächsten Schritt wird ein konkretes Szenario aus möglichen Problemstellungen im Kontext der mobilen Robotik in planetaren Missionen abgeleitet. Auf dieses definierte Szenario wird die entworfene Methode angepasst und sowohl in einer Python als auch in einer Gazebo Simulation umgesetzt. Letztendlich resultiert aus der Arbeit ein Regelungskonzept, das in der Lage ist einen Rover sicher auf der Solltrajektorie zu halten und dabei Modellunsicherheiten, zum Beispiel die unbekannte Untergrundbeschaffenheit oder Modellierungsfehler, durch intelligente Anpassung des Reglers zu kompensieren. Y1 - 2022 UR - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:573-35598 CY - Ingolstadt ER -