Verwendung eines qualitativen Systemmodells zum maschinellen Lernens des Flugverhaltens eines Multicopters
Translated title
Use of a qualitative system model for machine learning of the flight behavior of a multicopter
Publication date
2025-03-14
Document type
Konferenzbeitrag
Author
Editor
Deutsche Gesellschaft für Luft- und Raumfahrt - Lilienthal-Oberth e.V.
Organisational unit
Conference
Deutscher Luft- und Raumfahrtkongress 2023 (DLRK 2023) ; Stuttgart, Germany ; September 19–21, 2023
Publisher
Deutsche Gesellschaft für Luft- und Raumfahrt - Lilienthal-Oberth e.V.
Peer-reviewed
✅
Part of the university bibliography
✅
Language
German
Keyword
Reinforcement learning
Input Masking
Qualitatives Systemmodell
UAS
Modellierung
dtec.bw
Abstract
Die Anwendung von maschinellem Lernen gewinnt in zahlreichen Bereichen zunehmend an Bedeutung. Reinforcement Learning ermöglicht es, Steuerungsstrategien direkt aus den Interaktionen eines Agenten mit seiner Umgebung zu erlernen – komplexe Systeme können so ohne explizite numerische Modellgleichungen angelernt werden. In diesem Beitrag steht das eigenständige Erlernen eines Flugverhaltens unterstützt durch ein qualitatives Systemmodell im Fokus. In einer virtuellen Umgebung lernt ein Multi-Rotor-UAS-Agent eigenständig einen Zielpunkt anzufliegen und zeigt dabei wie das Verwenden eines modellbasierten Ansatzes des Reinforcement Learnings das Lernverhalten gegenüber einem klassischen modellfreien Ansatz beschleunigen kann. Um dies zu erreichen wird mittels dem logischen Modell der Aktionsraum des Agenten eingeschränkt, sodass das Training mit weniger Schritten erfolgreich abgeschlossen werden kann. Durch den direkten Vergleich der Flugperformance der verschiedenen untersuchten Ansätze wird der Vorteil des modellbasierten Ansatzes zusätzlich verdeutlicht. Das zugrunde liegende qualitative Modell kann mit einfachem Systemvorwissen hergeleitet werden, ohne dass eine numerische Parametrisierung des Systems notwendig wird. Gegenüber eines klassischem numerischen Systemmodells wird ein deutlich geringerer Aufwand für die Implementierung aufgebracht. Anschließend werden die Möglichkeiten des Einsatzes von qualitativen Systemmodellen zur Optimierung von ML-Verfahren in einem Ausblick erläutert.
Version
Published version
Access right on openHSU
Metadata only access