Beschreibung |
Lern-/Qualifikationsziele
Fachliche Kompetenzen:
- Die Studierenden erwerben fundierte Kenntnisse der optimalen Regelung
- Die Studierenden analysieren nichtlineare Systemmodelle aus der Robotik und implementieren Regelungsalgorithmen
- Die Studierenden können numerische Regelungsalgorithmen gezielt auswählen und einsetzen
Methodische Kompetenzen:
- Die Studierenden vergleichen methodische Lösungsansätze zur optimalen Regelung nichtlinearer Modelle im Bereich der Robotik
- Die Studierenden erweitern Ihre Kenntnisse zur Simulation von modellprädiktiven Regelungsalgorithmen in MATLAB/SIMULINK
- Die Studierenden erlangen Kenntnisse zur algorithmischen Differenzierung und Optimierung mit CasADi
Fächerübergreifende Kompetenzen:
- Die Studierenden erarbeiten sich tiefe Erkenntnisse zu den Anforderungen an Algorithmen und deren mathematische Basis, welche zur optimalen Regelung nichtlinearer Systeme eingesetzt werden
- Die Studierenden analysieren Interdependenz zwischen Modell, Simulation und Optimierung
Lehrinhalt
- Dynamische Systeme und Optimierung
- Nichtlineare Optimierung
- Numerische Optimierungsmethoden
- Zeitdiskrete Optimalsteuerung
- Dynamische Optimierung
- Hamilton-Jacobi-Bellman Gleichung
- Pontryagins Minimum Prinzip
- Transkriptionsmethoden
- Nichtlineare Modellprädiktive Regelung
Literatur/Medien
- Model Predictive Control: Theory, Computation, and Design,
J. B. Rawlings, D. Q. Mayne und M. M. Diehl, Nob Hill Publishing, Santa Barbara, California, 2022.
- Dynamic Programming and Optimal Control,
D. Bertsekas, Athena Scientific, 3rd edition, 2005.
- Numerical Optimal Control,
S. Gros and M. M. Diehl, Vorlesungsskript Universität Freiburg, 2022.
- Convex Optimization,
S. Boyd und L. Vandenberghe, Cambridge University Press, 2004.
- Numerical Optimization,
J. Nocedal und S. J. Wright, Springer Science, 2006.
- Nichtlineare Systeme und Regelungen,
J. Adamy, Springer Vieweg, 2014.
|