MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017163655
■00520250211152736
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383705537
■035    ▼a(MiAaPQ)AAI31491410
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aWei,  Tianhao.
■24510▼aSafeguarding  and  Empowering  General  Purpose  Robots  Through  Abstraction  and  Constraint  Certification.
■260    ▼a[S.l.]▼bCarnegie  Mellon  University.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a218  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Liu,  Changliu.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2024.
■520    ▼aRobots  are  increasingly  deployed  across  various  domains,  from  industrial  automation  to  domestic  assistance.  Ensuring  that  robots  operate  safely  and  intelligently  is  crucial  to  preventing  potential  risks  such  as  injury,  loss  of  life,  and  economic  costs.  This  thesis  addresses  key  challenges  in  deploying  robots  in  complex  real-world  environments,  including  providing  formal  safety  guarantees  in  uncertain  conditions,  scaling  safety  guarantees  to  realistic  high-dimensional  systems,  allowing  the  robot  to  behave  intelligently  while  remaining  explainable  and  trustworthy,  and  ensuring  the  robustness  of  neural  network  components.This  thesis  introduces  a  suite  of  tools  to  tackle  these  challenges.  The  first  tool,  Meta-Control,  synthesizes  heterogeneous  robot  skills  with  a  hiearchical  control  approach,  which  could  decompose  system-level  safety  requirements  into  module-level  constraints.  These  constraints  are  categorized  into  control  and  neural  network  constraints.  For  control  constraints,  the  toolset  introduces  Abstract  Safe  Control  for  hierarchical  safety  guarantees,  Robust  Safe  Control  for  handling  model  uncertainty  through  a  control-limits  aware  robust  framework,  Neural  Network  Dynamic  Models  (NNDM)  Safe  Control  for  integrating  data-driven  models  with  safety  guarantees,  and  Benchmark  of  Interactive  Safety  for  benchmarking  and  unifying  different  safe  control  algorithms.  For  neural  network  constraints,  the  toolset  introduces  ModelVerification.jl  toolbox  for  verifying  neural  network  safety  specifications,  online  verification  for  online  assurance  under  domain  shifts  and  network  update,  and  the  Signal-to-Noise  Ratio  (SNR)  loss  method  to  enhance  stability  and  robustness  of  neural  networks.These  tools  enable  the  provision  of  formal  safety  guarantees  with  partially  known  or  unknown  dynamic  models  in  uncertain,  interactive  environments,  achieving  state-of-the-art  control  safety  and  neural  network  safety.  This  allows  robot  arms  to  perform  various  tasks  efficiently  and  safely,  advancing  the  development  of  reliable  and  trustworthy  general-purpose  robots.
■590    ▼aSchool  code:  0041.
■650  4▼aRobotics.
■650  4▼aComputer  science.
■650  4▼aInformation  technology.
■653    ▼aExplainable  AI
■653    ▼aNeural  network  verification
■653    ▼aRobot  safety
■653    ▼aRobust  Safe  Control
■653    ▼aNetwork  Dynamic  Models
■690    ▼a0771
■690    ▼a0800
■690    ▼a0984
■690    ▼a0489
■71020▼aCarnegie  Mellon  University▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163655▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서