学习控制算法，尤其是与机器学习相结合，能够开发智能控制器，从丰富的可用数据中自动学习，在精度、速度和成本之间实现良好的权衡。
智能控制方法对于满足下一代高科技系统（从高速打印、天文和医疗应用到半导体后端）不断增长的性能需求至关重要，同时也在推动降低成本。
例如，以亚微米的定位精度，以每小时数万个封装的速度对几个微米的半导体封装进行定位，或激光卫星通信，其中，对于几百公里距离的振动卫星，需要微弧度的指向精度。
为了在未来继续推动这些性能要求，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希望。学习控制算法，尤其是与机器学习相结合，能够开发智能控制器，从丰富的可用数据中自动学习，在精度、速度和成本之间实现良好的权衡。
在他的论文中，Noud Mooren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。
采用机器学习的新方面
由于未来系统控制的复杂性不断增加，传统的学习控制器无法直接应用。这是由于未知干扰的复杂性和所需参考的灵活性不断增加，以至于传统（学习）方法不再适用。必须解决这些挑战，才能在广泛的机电系统上成功实施。
本论文的主要贡献在于通过从数据学习和采用机器学习的新方面，开发机电系统控制的系统设计方法。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，显著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，并且可以轻松地处理复杂的多物理干扰。
其次，提出了基于数据的自适应控制器整定方法，避免了耗时的手动整定。这是通过采用最优估计器来实现的，这种估计器可以在运行期间估计控制器参数。该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实现从机器学习到当前最先进的运动控制技术的复杂方法的实际相关和理论结果。此外，一些方法在工业系统上得到了成功验证。通过利用机器学习领域的这些最新发展以及众所周知的学习控制技术，可以获得很大的潜力。