Sensorbasierte GLISp-Optimierung: Schnellere Ergebnisse im Mensch-in-the-Loop In der Mensch-in-the-Loop‑Kalibrierung werden Entscheidungen häufig über präferenzbasierte Optimierung getroffen, bei der Algorithmen aus paarweisen Vergleichen lernen, anstatt explizite Kostenfunktionen zu nutzen. Diese Methode ist zwar wirkungsvoll, doch bestehende Ansätze wie präferenzbasierte Bayessche Optimierung oder die globale Optimierung mittels GLISp behandeln das zu optimierende System als Schwarze-Box und vernachlässig