Maik Pfefferkorn M.Sc.

Arbeitsgebiet(e)

Modellprädiktive Regelung und Maschinelles Lernen, Gaußsche Prozesse für Dynamische Systeme und Regelung, Unsicherheitsbeschreibung und Sicherheitsgarantien für Gauß-Prozess-basierte Modellprädiktive Regelung, Stochastische Modellprädiktive Regelung, Regelung für Raster-Quantenpunkt-Mikroskopie

Kontakt

work +49 6151 16-25171
fax 06151 16-25172

Work S3|10 520
Landgraf-Georg-Str. 4
64283 Darmstadt

Viele Regelsysteme unterliegen sicherheitskritischen Beschränkungen oder Anforderungen an die Regelgüte, die zu jeder Zeit erfüllt sein müssen. Das Bereitstellen der erforderlichen Garantien ist im Allgemeinen eine herausfordernde Aufgabe. Modellprädiktive Regelung, ein heutzutage weit verbreitetes, optimierungsbasiertes Regelungsverfahren, ist in der Lage, die notwendigen Garantien bereitzustellen. Allerdings bedarf es dafür eines hochqualitativen Systemmodells und allgemein (nahezu) perfektem Wissen über das System und seine Umgebung. Sind Unsicherheiten oder Störungen vorhanden, verschlechtert sich die Regelgüte signifikant und Garantien werden konservativ.

Es ist deshalb wichtig, die Auswirkung von fehlendem Systemwissen auf die erzielbare Regelgüte zu verstehen. Dabei liegt der Fokus auf dynamischen Systemen mit additiven, stochastischen Störungen und spezialisierten stochastischen modellprädiktiven Reglern, die diese Störungen berücksichtigen. Allerdings ist die Wahrscheinlichkeitsverteilung der Störungen oft nicht (exakt) bekannt. Stattdessen werden oft modellprädiktive Regler entworfen, die gegen die exakte Form der Verteilung robust sind und lediglich abstrakteres Wissen über die Verteilung, wie z.B. Wissen über Momente niedriger Ordnung, berücksichtigen. Das Forschungsziel ist es hier, die Verminderung der Regelgüte verteilungsrobuster modellprädiktiver Regler zu verstehen und zu quantifizieren.

Neben dem Verstehen der Verminderung der Regelgüte durch Unsicherheiten und Störungen kann man auf deren Kompensation abzielen. Hierfür werden neue modellprädiktive Regelungsverfahren entwickelt, die Sicherheitsgarantien und eine hohe Regelgüte trotz Unsicherheiten bieten. Im Speziellen wird modellprädiktive Regelung mit Gauß-Prozess-Regression, einer Methode des probabilistischen maschinellen Lernens, verbunden, um anhand von Daten zu lernen und so die Regelgüte zu verbessern. Dies wirft eine Reihe von Fragen auf, die im Fokus des Forschungsprojekts stehen: Wie verbindet man modellprädiktive Regelung und Gauß-Prozess-Regression auf eine recheneffiziente Weise? Wie geht man mit Unsicherheiten um, die durch den Lernansatz herbeigeführt werden? Wie erhält man Garantien an den geschlossenen Regelkreis?

Masterarbeiten
Thema Status
Formation Path Planning using Model Predictive Control (wird in neuem Tab geöffnet) in Bearbeitung
Exploring Music Perception and Imagination through Deep Learning (wird in neuem Tab geöffnet)
Co-Betreuer: Keivan Ahmadi
in Bearbeitung
Imitative Model Predictive Control for Safe Navigation
Co-Betreuer: Philipp Holzmann
in Bearbeitung
Data-driven Surrogate Model Generation for Automated Directional Drilling (wird in neuem Tab geöffnet)
Co-Betreuer: Felix Häusser
in Bearbeitung
Tire-Friction Learning for Vehicles by Gaussian Process State Space Models abgeschlossen
Control of a Three-Tank System using Multi-Fidelity Gaussian Processes (wird in neuem Tab geöffnet)
Co-Betreuer: Felix Häusser
in Bearbeitung
Graph Diffusion in Imitation Learning for Robotics abgeschlossen
Stochastic Nonlinear Model Predictive Control for Offshore Energy Systems using Gaussian Processes abgeschlossen
Set-Up and Closed-Loop Control of an Exoskeleton
Co-Betreuer: Sebastian Hirt
abgeschlossen
Learning Patient Models of Acute Lymphoblastic Leukemia for Individualized Maintenance Therapy in Bearbeitung
Modeling of Cell Dynamics During Maintenance Therapy of Acute Lymphoblastic Leukemia abgeschlossen
Cost Function Learning for Model Predictive Control Using Bayesian Optimization abgeschlossen
Physically Consistent Model Learning of Robotic Systems with Gaussian Processes (wird in neuem Tab geöffnet)
Co-Betreuer: Philipp Holzmann
abgeschlossen
Gaussian-Process-based Modeling of Human Drivers from Real Data (wird in neuem Tab geöffnet)
Co-Betreuer: Johanna Bethge
abgeschlossen
The Fokker-Planck Equation for Gaussian Process-based Model Predictive Control (wird in neuem Tab geöffnet) abgeschlossen
Bachelorarbeiten
Thema Status
Deep Learning Approaches for Classifying EEG Responses to Naturalistic Music Stimuli (wird in neuem Tab geöffnet)
Co-Betreuer: Keivan Ahmadi
in Bearbeitung
Modeling of Human-Driven Vehicles from Real Data Using Gaussian Mixture Models abgeschlossen
Gaussian-Process-based Modeling of Individual Human-Driven Vehicles from Real Data (wird in neuem Tab geöffnet)
Co-Betreuer: Johanna Bethge
abgeschlossen
Projektseminare
Thema Status
Contract-Based Hierarchical Control of a Mobile Ground Robot (wird in neuem Tab geöffnet)
Co-Betreuer: Lukas Theiner
in Bearbeitung
Tuning of Model Predictive Control using Bayesian Optimization (wird in neuem Tab geöffnet)
Co-Betreuer: Philipp Holzmann
abgeschlossen
Model Identification and Control for Robotic Manipulators using Physics-Informed Neural Networks (wird in neuem Tab geöffnet)
Co-Betreuer: Philipp Holzmann
abgeschlossen
Iterative Model Improvement Learning Control for Robotic Manipulators (wird in neuem Tab geöffnet)
Co-Betreuer: Philipp Holzmann
abgeschlossen
Formal Verification of a Robotic Arm using Hybrid Model Checking
(Otto-von-Guericke-Universität Magdeburg)
abgeschlossen
Technische Universität Darmstadt
Modellprädiktive Regelung und Machinelles Lernen Wintersemester 2021/2022, 2022/2023, 2023/2024
Projektseminar Regelungstechnik Sommersemester 2024
Modellbildung und Simulation Sommersemester 2022
Otto-von-Guericke-Universität Magdeburg
Maschinelles Lernen, Dynamische Systeme, und Regelungstechnik Sommersemester 2020, 2021
Einführung in die Kybernetik Wintersemester 2020/2021
2024
[11] S. Hirt, M. Pfefferkorn, R. Findeisen:
Stability-informed Bayesian Optimization for MPC Cost Function Learning.
Conference on Nonlinear Model Predictive Control, 2024. To appear.
[10] M. Pfefferkorn, V. Renganathan, R. Findeisen:
Regret and Conservatism of Distributionally Robust Constrained Stochastic Model Predictive Control.
American Control Conference, 2024. To appear.
[9] M. Pfefferkorn, V. Renganathan, R. Findeisen:
Regret and Conservatism of Distributionally Robust Constrained Stochastic Model Predicitve Control.
arXiv, 2309.12190. Extended version.
[8] P. Holzmann, M. Pfefferkorn, J. Peters, R. Findeisen:
Learning Energy-Efficient Trajectory Planning for Robotic Manipulators using Bayesian Optimization.
European Control Conference, 2024. To appear.
2023
[7] A. Rose, M. Pfefferkorn, H. H. Nguyen, R. Findeisen:
Learning a Gaussian Process Approximation of a Model Predictive Controller with Guarantees.
Conference on Decision and Control, pages 4094 – 4099, 2023.
[6] J. Bethge, M. Pfefferkorn, A. Rose, J. Peters, R. Findeisen:
Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles.
IFAC-PapersOnline 56 (2), pages 507 – 512, 2023.
2022
[5] M. Pfefferkorn, P. Holzmann, J. Matschek, R. Findeisen:
Safe Corridor Learning for Model Predictive Path Following Control.
IFAC-PapersOnline 55 (30), pages 79 – 84, 2022.
[4] H. H. Nguyen, M. Pfefferkorn, R. Findeisen:
High-probability stable Gaussian process-supported model predictive control for Lur'e systems.
European Journal of Control 68, 100695, 2022.
[3] P. Holzmann, J. Matschek, M. Pfefferkorn, R. Findeisen:
Learning secure corridors for model predictive path following control of autonomous systems in cluttered environments.
European Control Conference, pages 1772 – 1777, 2022.
[2] M. Pfefferkorn, M. Maiworm, R. Findeisen:
Exact Multiple-Step Predictions in Gaussian Process-based Model Predictive Control: Observations, Possibilities, and Challenges.
American Control Conference, pages 2829 – 2836, 2022.
2020
[1] M. Pfefferkorn, M. Maiworm, C. Wagner, F. S. Tautz, R. Findeisen:
Fusing Online Gaussian Process-Based Learning and Control for Scanning Quantum Dot Microscopy.
Conference on Decision and Control, pages 5525 – 5531, 2020.