- Learning-Based Optimal Control with Performance Guarantees for Unknown Systems with Latent States. 2024 European Control Conference (ECC), 2024, 90-97 mehr… BibTeX Volltext ( DOI ) Volltext (mediaTUM)
M.Sc. Robert Lefringhausen
- Tel.: +49 (89) 289 - 25738
- Raum: 0305.04.508
- robert.lefringhausen@tum.de
Kurze Biografie
| Seit 03/2022 | Wissenschaftlicher Mitarbeiter Lehrstuhl für Informationstechnische Regelung Technische Universität München |
| 04/2019 – 01/2022 | Master of Science, Elektro- und Informationstechnik Technische Universität München Fokus: Regelungstechnik, maschinelles Lernen & Robotik |
| 09/2019 – 01/2020 | Auslandssemester Linköping University, Schweden |
| 10/2015 – 02/2019 | Bachelor of Science, Elektro- und Informationstechnik Karlsruher Institut für Technologie |
Forschungsinteressen
- Lernbasierte Modellierung nichtlinearer Systeme
- Lernbasierte Regelungen
- Gemeinsame Dynamik- und Zustandsschätzung
Forschungsprojekt
Derzeit bin ich am ONE MUNICH Strategy Forum Project - Next generation Human-Centered Robotics beteiligt.
Studentische Arbeiten
Ich bin stets auf der Suche nach motivierten Studierenden, die an meiner Forschung interessiert sind. Schreiben Sie mir gerne eine E-Mail, wenn Sie an einer studentischen Arbeit (z.B. Bachelor- oder Masterarbeit) unter meiner Betreuung interessiert sind, auch wenn gerade keine Arbeiten ausgeschrieben sind.
Bitte geben Sie hierbei den gewünschten Starttermin an und fügen Sie Ihren Lebenslauf und einen aktuellen Leistungsnachweis an, damit ich ein Thema passend zu Ihrem Hintergrund auswählen kann.
Aktuell ausgeschriebene Arbeiten
- Fusion of Model Predictive Control and Reinforcement Learning for the Safe Exploration of Unknown Systems with Latent States [PDF]
Laufende Arbeiten
- Raphael Nonnenmann: Evaluation of Neural Network-Based Approximations for Real-Time Model Predictive Control of Unknown Systems with Latent States (Bachelorarbeit)
- Xinyi Shao: Learning Bayesian State-Space Models with Latent States via Likelihood Optimization (Masterarbeit)
Vergangene Arbeiten
- Radu-Andrei Bourceanu: Neural Network Policies for the Approximate Model Predictive Control of Unknown Systems with Latent States (Bachelorarbeit)
- Lukas Hochschwarzer: Kernel Embedding for Particle Gibbs-Based Optimal Control (Masterarbeit)
- Aymen Nasri: Kernel Embedding for Particle Gibbs-Based Optimal Control (Forschungspraxis)
- Sami Noel: Stability Certificates for Unknown Systems with Latent States (Forschungspraxis)
- Joshua Schenk: Fusion of Model Predictive Control and Reinforcement Learning for the Safe Exploration of Unknown Systems with Latent States (Forschungspraxis)
- Supitsana Srithasan: Utilizing Particle Gibbs Samples for Scenario-Based Model Predictive Control (Bachelorarbeit)
- Sarah Weber: Particle Markov Chain Monte Carlo-Based Optimal Control for Vertical Farming (Bachelorarbeit)
- Keyu Xuan: Particle Gibbs Sampling Based on Multiple Trajectories (Ingenieurpraxis)
- Yi Yue: Towards Online Learning and Control of Unknown Systems with Latent States (Bachelorarbeit)
- Kevin Zierenberg: Parallel Implementation of a Particle Gibbs Based Control Algorithm on a Graphics Processing Unit (Bachelorarbeit)
- Zhiqian Zhou: Active Learning of Unknown Dynamics with Latent States under Constraints (Bachelorarbeit)
- Zhiqian Zhou: Hyperparameter Tuning for Gaussian Process State-Space Models with Latent States (Ingenieurpraxis)