10. Zusammenfassung und Ausblick

Der Beitrag beschäftigt sich mit der Integration eines modellbasierten Regelungskonzeptes und eines lernenden, künstlichen neuronalen Netzwerkes zur Querführung eines autonomen Versuchsträgers. Im Fokus steht die Optimierung des neuronalen Netzwerkes im geschlossenen Regelkreis, anstatt es mit großen Datenmengen vorzutrainieren. Dieses Vorgehen zielt darauf ab, die Effizienz der Ressourcennutzung zu maximieren und die Stärken beider Ansätze zu kombinieren. Das neuronale Netzwerk lernt im geschlossenen Regelkreis, um Modellierungsfehler zu kompensieren und die Regelgüte zu verbessern. Umfangreiche theoretische Überlegungen und Simulationen bilden die Grundlage für die praktische Anwendung. Die Ergebnisse zeigen, dass das Netzwerk in der Lage ist, sich an verschiedene Umgebungsbedingungen anzupassen und die Führungsgenauigkeit des Versuchsträgers zu steigern. Besonders bemerkenswert ist die Fähigkeit des Netzwerkes, selbst in komplexen Szenarien und unter Unsicherheiten robust zu performen. Die Arbeit schließt mit einem Ausblick auf zukünftige Forschungsmöglichkeiten und die potenzielle Anwendung in verschiedenen Fahrzeugtypen.