Reinforcement Learning gegen klassische Optimierung

Kurzbeschreibung

Beschreibung Ausgangssituation Ob ein lernbasierter Planungsansatz gegenüber etablierten Optimierungsverfahren tatsächlich einen Vorteil bietet, ist bislang nicht belegt. Zudem endet die Planung derzeit in der Simulation. Zielsetzung Auf einem gemeinsamen Testsatz werden Reinforcement Learning, Bayes'sche Optimierung, ein evolu- tionärer Algorithmus und eine regelbasierte Referenzplanung unter identischen Bedingungen hinsicht- lich Lösungsgüte, Aufwand und Übertragbarkeit auf veränderte Aufgaben verglichen. Im zweiten Teil wird eine Schnittstelle umgesetzt, die eine Planungsentscheidung über das CAM-System in ein fahrbares NC-Programm überführt und damit die Prozesskette schließt. Voraussetzungen Anforderungsprofil Interesse an Optimierungsverfahren, maschinellem Lernen und CAM. Python-Kenntnisse werden vorausgesetzt, Erfahrung mit einem CAM-System ist von Vorteil.

• Learning the Driver: Adaptive Racing Lines and Braking Strategies for a Virtual Race Engineer

  Abschlussarbeit · Professur für autonome Fahrzeugsysteme (TUM-ED)

• From Racing Games to Real Cars: A Virtual Race Engineer for Driver Training

  Abschlussarbeit · Professur für autonome Fahrzeugsysteme (TUM-ED)

• Initializing for Performance: Warm-Start Strategies for Trajectory Planning in Autonomous Racing

  Abschlussarbeit · Professur für autonome Fahrzeugsysteme (TUM-ED)

• Datengetriebene Vorhersage der Oberflächengüte beim Fräsen

  Abschlussarbeit · Institut für Werkzeugmaschinen und Betriebswissenschaften (TUM-ED)

• Werkzeugverschleiß beim Fräsen additiv gefertigter Bauteile

  Abschlussarbeit · Institut für Werkzeugmaschinen und Betriebswissenschaften (TUM-ED)

• Vom Scan zur Fräsbahn – Aufmaß additiver Rohteile

  Abschlussarbeit · Institut für Werkzeugmaschinen und Betriebswissenschaften (TUM-ED)