Result: Safe Learning Control for Gaussian Process Models

Machine learning enables autonomous systems to model their environment based on data. However, in safety relevant applications, data-driven models are rarely employed because no guarantees can be provided for the behavior of these self-learning systems. This thesis develops a novel control design framework based on Gaussian processes providing safety certificates. It actively avoids uncertainties or collects new data points to ensure safe behavior. Stability for the closed control loop is formally shown; simulations and experiments validate the proposed approach.
Maschinelles Lernen ermöglicht autonomen Systemen ihr Umfeld mithilfe von Daten zu modellieren. In sicherheitsrelevanten Anwendungen kommen diese datengetriebenen Modelle aber kaum zum Einsatz, weil keine Garantie für das Verhalten selbstlernender Systeme gegeben werden kann. Basierend auf Gaußprozessen entwickelt diese Arbeit eine neuartige Regelungsstruktur, die es ermöglicht Sicherheitsgarantien zu gegeben. Der Regler weicht Unsicherheiten aktiv aus und sammelt bei Bedarf neue Datenpunkte, um Sicherheit garantieren zu können. Stabilität des geschlossenen Regelkreises wird formal bewiesen; Simulationen und Experimente validieren den Ansatz.