Das erwartet dich
Die autonome Flugregelung stützt sich zunehmend auf Reinforcement Learning (RL), um direkt aus Daten und Interaktionen leistungsstarke Regelungsstrategien zu entwickeln. RL kann sich online an neue Bedingungen anpassen und ist besonders geeignet für schwer zu konzipierende Ziele auf Missionsebene (Effizienz, Flugbereich, Komfort).
In diesem Zusammenhang wird eine Masterarbeit ausgeschrieben, um den Betrieb eines RL-basierten Flugreglers abzusichern. Die Arbeit umfasst die Implementierung eines Actor-Critic RL-Algorithmus und eines Sicherheitsfilters. Zur Abschätzung von Unsicherheiten sollen Ansätze des maschinellen Lernens (einschließlich Gaußscher Prozesse) untersucht werden. Die Betreuung erfolgt gemeinsam durch das DLR und Prof. Mayank Shekhar Jha vom Research Center for Automatic Control (CRAN), Centres Internationaux de Recherche (CNRS), Université de Lorraine, Frankreich.
Deine Aufgaben
- Entwurf eines RL-Algorithmus für die Lageregelung eines Flugzeugs mit morphendem Flügel
- Training und Bewertung des RL-Agenten in einer Simulation, zum Nachweis einer stabilen und effizienten Flugregelung
- Erweiterung der Regelung um einen Sicherheitsfilter, der unsichere Flugzustände wie übermäßige Rollwinkel oder aerodynamischen Strömungsabriss verhindert
- Integration einer Unsicherheitsschätzung in das Sicherheitsfilter-Framework, z. B. mit Gauß-Prozessen
- Analyse und Visualisierung der Trainingsleistung, der Sicherheitsmargen und des Reglerverhaltens
- Optional : Integration des Reglers in das PROTEUS-Testflugzeug und Demonstration in Flugtests
Das bringst du mit
derzeitige Immatrikulation in einem Masterstudiengang in Informatik, Regelungstechnik oder einem verwandten Fachgebietfundierte Kenntnisse im Bereich Reinforcement Learning, beispielsweise Policy Gradient Methodsgutes Verständnis von Regelungstechnik und FlugdynamikErfahrung mit TensorFlow, PyTorch für numerische Optimierung, neuronale Netze und Deep Learningausgeprägte Programmierkenntnisse, insbesondere in Python oder C++