Wir freuen uns mitteilen zu können, dass unser AVS Lab drei neue Paper im preprint veröffentlicht hat, zu Themen, an denen wir in den letzten Monaten gearbeitet haben. In diesen Arbeiten haben wir die Grenzen des Umgangs mit Unsicherheiten und Störungen in der nichtlinearen Systemdynamik mit stochastischen, robusten und adaptiven nichtlinearen Model Predictive Control-Ansätzen ausgelotet. Insbesondere haben wir diese neuen Techniken durch ihre Anwendung in Trajektorienfolgeaufgaben für autonome Personenfahrzeuge evaluiert.

Die drei Beiträge sind jetzt als Preprints verfügbar:

Paper 1: A Stochastic Nonlinear Model Predictive Control with an Uncertainty Propagation Horizon for Autonomous Vehicle Motion Control
Authors: B Zarrouki, C Wang, J Betz
Link: https://lnkd.in/dkaJExjv

Paper 2: R²NMPC: A Real-Time Reduced Robustified Nonlinear Model Predictive Control with Ellipsoidal Uncertainty Sets for Autonomous Vehicle Motion Control
Authors: B Zarrouki, J Nunes, J Betz
Link: https://lnkd.in/dY6dgaw3

Paper 3: Adaptive Stochastic Nonlinear Model Predictive Control with Look-ahead Deep Reinforcement Learning for Autonomous Vehicle Motion Control
Authors: B Zarrouki, C Wang, J Betz
Link: https://lnkd.in/dgd5QQYm

Wenn Sie sich für diese Art von Forschung interessieren, freuen wir uns, wenn Sie sich mit uns in Verbindung setzen, Ideen austauschen und Möglichkeiten der Zusammenarbeit erkunden. Unsere Forschung konzentriert sich auf lernbasierte, selbstanpassende NMPC algorithmen mit dem Ziel, die Robustheit und Machbarkeit zu verbessern und gleichzeitig die Leistung des geschlossenen Regelkreises unter Nennbedingungen zu optimieren, trotz Unsicherheiten, Störungen und erheblicher Modellabweichungen. Sie können sich gerne an Baha Zarrouki (baha.zarrouki@tum.de) wenden, die Hauptperson hinter dieser großartigen Forschung.