Home | english  | Impressum | Datenschutz | Sitemap | KIT
PK

M. Sc. Philipp Karg

Wissenschaftlicher Mitarbeiter
Gruppe: 

Kooperative Systeme


Raum: 206
Tel.: +49 721 608-42708
Fax: +49 721 608-42707
philipp kargZos5∂kit edu

Karlsruher Institut für Technologie (KIT) Campus Süd
Institut für Regelungs- und Steuerungssysteme
Geb. 11.20 (Engler-Villa)
Kaiserstr. 12
D-76131 Karlsruhe


Lebenslauf

Studium der Elektro- und Informationstechnik am Karlsruher Institut für Technologie (KIT). Bachelorarbeit am Institut für Regelungs- und Steuerungssysteme zur Prädiktion von Lastgängen in elektrischen Verteilnetzen mit einem hohen Einspeisungsanteil erneuerbarer Energien (2016). Praktische Tätigkeit bei der BMW Group am Autonomous Driving Campus in Unterschleißheim im Bereich der simulativen Absicherung hochautomatisierter Fahrerfunktionen. Masterarbeit zum Thema „Strukturierte Anregung Reinforcement-Learning-basierter kooperativer Regler“ am Institut für Regelungs- und Steuerungssysteme (2019).
Seit Juli 2019 wissenschaftlicher Mitarbeiter am Institut für Regelungs- und Steuerungssysteme.

Forschung

Lernbasierte Verfahren zur Identifikation in kooperativen Regelungssystemen

Die zunehmende Automatisierung vieler Tätigkeiten in nahezu allen Industriezweigen sowie im täglichen Leben bedingt eine nachhaltige Veränderung der Alltags- und Arbeitswelt. Da allerdings stets einzelne Tätigkeiten und nicht etwa ganze Berufe automatisiert werden, zeichnet sich als Folge dieser Entwicklung eine zunehmende Interaktion bzw. Kooperation des Menschen mit hochautomatisierten technischen Systemen ab. Als Beispiele lassen sich Produktionsroboter in einer „käfiglosen“ Fabrik oder teilautomatisierte Fahrzeuge nennen.

Um die Synergiepotentiale dieses Zusammenwirkens zwischen Mensch und Maschine optimal auszuschöpfen, werden neuartige Regelalgorithmen zur Realisierung der Automation benötigt. Deren Design ist allerdings meist auf die genaue Kenntnis der menschlichen Einflussnahme auf das System angewiesen.

Eine zentrale Fragestellung bildet somit zunächst die Modellierung des menschlichen Verhaltens. Mit der Beschreibung des Menschen als Optimalregler, sprich er handelt optimal bezüglich einer spezifischen Gütefunktion, ist ein vielversprechender Ansatz hierfür gegeben. Die entscheidende Herausforderung stellt nun jedoch die Bestimmung bzw. Identifikation der Parameter dieser Gütefunktion dar. Im Rahmen der Forschung sollen lernbasierte Ansätze zur Ermittlung des menschlichen Verhaltens bzw. der exakten Gütefunktion des Menschen untersucht, analysiert und in einer praktischen Umgebung evaluiert werden. Insbesondere stehen Methoden des Inverse Reinforcement Learning im Fokus. Eine Interpretation der ermittelten Gütemaße liefert schließlich einen wesentlichen Beitrag zum Verständnis der Interaktion von Menschen mit technischen Systemen sowie deren Reaktion auf eine gleichzeitig aktive Automation.

Publikationen


2018
Load Forecasting in Distribution Grids with High Renewable Energy Penetration for Predictive Energy Management Systems.
Sauter, P. S.; Karg, P.; Kluwe, M.; Hohmann, S.
2018. 2018 IEEE PES Innovative Smart Grid Technologies Conference Europe, ISGT-Europe 2018; Sarajevo; Bosnia and Herzegovina; 21 October 2018 through 25 October 2018, Art. Nr.: 8571524, IEEE, Picataway (NJ). doi:10.1109/ISGTEurope.2018.8571524
2017
Neural Network-based Load Forecasting in Distribution Grids for Predictive Energy Management Systems.
Sauter, P.; Karg, P.; Pfeifer, M.; Kluwe, M.; Zimmerlin, M.; Leibfried, T.; Hohmann, S.
2017. Die Energiewende : Blueprints for the New Energy Age, Proceedings of the International ETG Congress 2017, World Conference Center, Bonn, 28th - 29th November 2017, 13–18, VDE Verlag GmbH, Berlin