Policy-Optimierungsverfahren für den Linear-Quadratischen Regler

Meine Forschung beschäftigt sich mit innovativen Policy-Optimierungsverfahren für das kontinuierliche Linear Quadratic Regulator (LQR) Problem mit unendlichem Zeithorizont. Ein Schwerpunkt liegt auf der Entwicklung dynamischer Zustandsrückführungsregler, sogenannter Policy Gradient Flows, die das LQR-Problem effizient lösen. Diese dynamischen Regler können polytrope, linear-parameter-variierende Systeme stabilisieren, selbst bei abrupten Parameteränderungen. Dabei wird das zeitvariante LQR-Problem online gelöst, wodurch die transiente Performance des geschlossenen Regelkreises verbessert werden kann.

Zusätzlich entwickle ich datengetriebene Policy Optimierungsverfahren, die eine optimale Rückführung direkt aus gemessenen Eingangs- und Zustandsdaten erlernen, ohne explizite Systemidentifikation. Hierbei untersuche ich sowohl verhaltensbasierte Systemparametrisierungen als auch Integral Reinforcement Learning Ansätze und entwickle daraus neuartige datengetriebene Gradientenflüsse, Policy Iterationen, konvexe Optimierungsverfahren sowie eine datengetriebene kontinuierliche algebraische Riccati Gleichung. Meine Arbeit schlägt eine Brücke zwischen klassischen Regelungsmethoden, Reinforcement Learning Techniken und datengetriebenen Verfahren.