Self-Learning Longitudinal Control for On-Road Vehicles
Puccetti, Luca
1
1 Institut für Regelungs- und Steuerungssysteme (IRS), Karlsruher Institut für Technologie (KIT)
11 Institut für Regelungs- und Steuerungssysteme (IRS), Karlsruher Institut für Technologie (KIT)
Abstract:
Reinforcement Learning is a promising tool to automate controller tuning. However, significant extensions are required for real-world applications to enable fast and robust learning. This work proposes several additions to the state of the art and proves their capability in a series of real world experiments.
| Zugehörige Institution(en) am KIT | Institut für Regelungs- und Steuerungssysteme (IRS) |
| Publikationstyp | Hochschulschrift |
| Publikationsjahr | 2023 |
| Sprache | Englisch |
| Identifikator | ISBN: 978-3-7315-1290-5 ISSN: 2511-6312 KITopen-ID: 1000156966 |
| Verlag | KIT Scientific Publishing |
| Umfang | LVII, 86 S. |
| Serie | Karlsruher Beiträge zur Regelungs- und Steuerungstechnik / Karlsruher Institut für Technologie, Institut für Regelungs- und Steuerungssysteme ; 22 |
| Art der Arbeit | Dissertation |
| Fakultät | Fakultät für Elektrotechnik und Informationstechnik (ETIT) |
| Institut | Institut für Regelungs- und Steuerungssysteme (IRS) |
| Prüfungsdaten | 17.02.2023 |
| Prüfungsdatum | 17.02.2023 |
| Schlagwörter | Regelungstechnik, Künstliche Intelligenz, Fahrzeugregelung, Längsdynamik, Bestärkendes Lernen, Control Theory, Artificial Intelligence, Vehicle Control, Longitudinal Dynamics, Reinforcement Learning |
| Relationen in KITopen | |
| Referent/Betreuer | Hohmann, Sören Adamy, Jürgen |