Vor allem kleinere autonome Unterwasserfahrzeuge (beispielsweise AVALON) verfügen häufig über begrenzte Sensorik zur Positions-, Lage- und Geschwindigkeitsmessung. Gleichzeitig sind gerade kleine Unterwasserfahrzeuge besonders anfällig für falsch kalibrierte Regler. Ein physikalisches Modell des Fahrzeugs würde einerseits helfen, das Verhalten des Fahrzeugs auf unterschiedliche Steuerimpulse vorherzusagen und Regelfehler zu minimieren, andererseits wesentlich genauere Simulationen des Gesamtsystems erlauben. Die exakte Bestimmung der physikalischen Parameter ist jedoch mit enormem Aufwand verbunden und in der Praxis nicht umsetzbar, da bereits kleine Änderungen am Fahrzeug eine Änderung der Modellparameter verursachen und somit eine vollständige Neumessung erfordern.
Um dieses Problem zu umgehen wurden bereits einige adaptive Verfahren vorgeschlagen, die durch fehlertolerante Regler und optimieren von Reglerkoeffizienten Fehlkalibrierungen und Änderungen der Umweltbedingungen teilweise ausgleichen können.
Bisher gibt es jedoch keine Ansätze, die tatsächlich das physikalische Fahrzeugmodell approximieren. Ziel dieser Diplomarbeit ist es, auf Basis maschineller Lern- bzw. Optimierungsverfahren das physikalische Modell des Fahrzeugs (AVALON) zur Laufzeit anzunähern und parallel zur Regelung des Fahrzeugs zu benutzen. Dazu werden die Parameter des physikalischen Modells selbst ermittelt, Regelungs- und Lern-/ Optimierungsverfahren auf ihre Tauglichkeit für diesen Einsatzzweck hin untersucht, implementiert und getestet.