MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017162189
■00520250211151943
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384198765
■035    ▼a(MiAaPQ)AAI31324649
■035    ▼a(MiAaPQ)Stanfordmj052kx8392
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a371.3
■1001  ▼aJamgochian,  Arec  Levon.
■24510▼aPlanning  Under  Uncertainty  in  Safety-Critical  Systems.
■260    ▼a[S.l.]▼bStanford  University.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a122  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Kochenderfer,  Mykel.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aFrom  warehouses  and  manufacturing  lines  to  homes  and  offices,  from  roads  and  seas,  to  skies  and  space,  autonomous  systems  promise  to  improve  efficiency,  unlock  human  potential,  and  explore  new  frontiers.  Many  autonomous  systems  already  make  decisions  that  impact  our  everyday  lives.  As  technology  continues  to  develop  and  the  cost  of  compute  continues  to  decrease,  autonomous  systems  will  continue  integrating  into  society.  However,  a  unifying  necessity  for  safety-critical  systems  to  deploy  autonomously  in  the  real  world  is  the  need  to  be  able  to  reason  about  their  environments  and  make  good  decisions  to  satisfy  their  objectives.For  autonomous  systems  to  be  deployed  successfully,  it  often  does  not  suffice  to  plan  deterministically,  that  is,  assuming  that  everything  will  `go  as  planned`  against  a  single  string  of  outcomes.  Rather,  agents  must  reason  about  the  uncertainty  that  can  arise,  either  from  inexact  actuation  or  sensing,  imperfect  information,  unclear  objectives,  unknown  motives  of  other  participants,  or  complex  environments.  These  sources  of  uncertainty  can  significantly  complicate  autonomous  decision-making  and  can  ultimately  lead  to  catastrophic  errors.  By  explicitly  reasoning  about  these  sources  of  uncertainty,  this  thesis  introduces  new  methods  for  planning  safely  against  them.First,  this  thesis  investigates  methods  that  use  data  to  overcome  uncertainty  in  action  outcomes  and  agent  objectives.  Specifically,  we  consider  using  human  driving  demonstrations  alongside  simulators  to  overcome  objective  uncertainty  for  autonomous  driving  in  complex  urban  environments.  Previous  approaches  that  used  simulators  to  help  imitate  human  driving  were  typically  limited  to  relatively  simple  scenarios.  We  introduce  Safety-Aware  Hierarchical  Adversarial  Imitation  Learning  (SHAIL),  a  method  that  scales  safety-critical  data-driven  decision-making  to  complex  problems  through  reliance  on  hierarchical  decomposition  and  safety  predictions.  After  building  a  simulator  to  test  counterfactuals  of  real-world  driving  decisions,  we  demonstrate  empirically  that  SHAIL  can  improve  safety  compared  to  other  data-driven  decision-making  methods,  especially  in  unseen  driving  scenarios.Next,  we  turn  to  safe  planning  under  outcome  and  state  uncertainty  when  models  for  those  uncertainties  are  known  a  priori.  Here,  we  impose  safety  through  constraints  on  agent  plans,  modeling  problems  as  constrained  partially  observable  Markov  decision  processes  (CPOMDPs).  Approximate  CPOMDP  solutions  are  typically  limited  to  small,  discrete  actions  and  observation  spaces.  We  introduce  algorithms  that  extend  online  search-based  planning  in  CPOMDPs  to  domains  with  large  or  continuous  state,  action,  and  observation  spaces  by  using  methods  that  artificially  limit  the  width  of  a  search  tree  in  unpromising  areas  and  satisfy  constraints  using  dual  ascent.  We  empirically  compare  the  effectiveness  of  our  proposed  algorithms  on  continuous  CPOMDPs  that  model  both  toy  and  real-world  safety-critical  problems.  In  doing  so,  we  demonstrate  that  CPOMDP  planning  can  be  effective  in  continuous  domains.Unfortunately,  the  algorithms  we  introduce  for  safe  online  planning  in  continuous  CPOMDPs  are  still  restricted  to  relatively  small  problems.  Fortunately,  as  noted  for  urban  driving,  many  large  planning  problems  can  be  decomposed  hierarchically.  In  our  final  contribution,  we  introduce  Constrained  Options  Belief  Tree  Search  (COBeTS)  to  scale  continuous  CPOMDP  planning  to  much  larger  problems  with  favorable  hierarchical  decompositions  by  planning  over  macro-actions  (i.e.  low-level  controller  options).  We  demonstrate  COBeTS  in  several  large,  safety-critical,  uncertain  domains,  showing  that  it  can  plan  successfully  while  non-hierarchical  baselines  cannot.  Importantly,  we  show  that  with  constraint-satisfying  macro-actions,  COBeTS  can  guarantee  safety  regardless  of  planning  time.  In  summary,  our  contributions  improve  planning  safety  in  domains  with  quantifiable  outcome,  state,  and/or  objective  uncertainty  through  novel  applications  of  hierarchies  and/or  constraints.
■590    ▼aSchool  code:  0212.
■650  4▼aTeaching  methods.
■650  4▼aCarbon  sequestration.
■650  4▼aPlanning.
■650  4▼aAutonomous  vehicles.
■650  4▼aDecision  making.
■650  4▼aRobots.
■650  4▼aDecomposition.
■650  4▼aDesign.
■650  4▼aMarkov  analysis.
■650  4▼aRobotics.
■650  4▼aEnvironmental  engineering.
■650  4▼aTransportation.
■650  4▼aPedagogy.
■690    ▼a0771
■690    ▼a0389
■690    ▼a0775
■690    ▼a0796
■690    ▼a0709
■690    ▼a0456
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162189▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서