学习控制算法，特别是与机器学习相结合，可以开发智能控制器，从大量可用数据中自动学习，从而在准确性、速度和成本之间实现出色的权衡。
智能控制方法对于满足下一代高科技系统不断增长的性能需求至关重要，从高速打印、天文和医疗保健应用到半导体后端，同时也推动为了降低成本。
示例包括以亚微米定位精度每小时执行数万个封装的几微米半导体封装的定位，或激光卫星通信，其中相对于振动卫星需要微弧度的指向精度几百公里的距离。
为了在未来继续推动这些性能需求，智能控制器设计变得越来越具有挑战性，学习控制领域尤其有前景。学习控制算法，特别是与机器学习相结合，可以开发智能控制器，从大量可用数据中自动学习，从而在准确性、速度和成本之间实现出色的权衡。
在他的论文中，Noud Mooren 详细阐述了如何通过从可用数据中学习并采用机器学习和控制领域的新技术来提高未来系统的控制性能。这些技术可以有效地使用数据来自动更新算法或识别数据中的结构。
使用机器学习的新方面
由于未来系统控制的复杂性增加，传统的学习控制器不能直接应用。这是由未知干扰的复杂性引起的，并且所需参考的灵活性正在增加，以至于传统(学习)方法不再适用。必须解决这些挑战才能在各种机电一体化系统上成功实施。
本论文的主要贡献旨在通过从数据中学习和采用机器学习的新方面来开发用于控制机电系统的系统设计方法。首先，通过采用高斯过程，即结合数据和先验知识，从数据中学习未知干扰，显着提高了传统学习控制器的灵活性和设计。结果表明，高斯过程回归可以非常有效地用于控制，并且可以毫不费力地处理复杂的多物理扰动。
其次，提出了基于数据的自适应控制器调整，以避免耗时的手动调整。这是通过采用最佳估计器来完成的，使得控制器参数可以在操作期间进行估计。所提出的方法有助于在瞬间自动更新前馈参数，与手动前馈参数调整和现有任务域方法相比，这是一个重大的性能改进。
本论文的总体结果有助于获得实际相关的理论结果，从而能够将源自机器学习的复杂方法实施到当前最先进的运动控制技术中。此外，几种方法已在工业系统上成功验证。通过将机器学习领域的这些最新发展与众所周知的学习控制技术结合起来，可以获得巨大的潜力。