008240612s2023      us  |||||||||||||||c||eng  d
■001000016934001
■00520240214101516
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380317986
■035    ▼a(MiAaPQ)AAI30569263
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a519
■1001  ▼aQi,  Dongping.▼0(orcid)0009-0003-4145-0518
■24510▼aChallenges  in  Continuous  Path  Planning:  Rarefactions,  Uncertainty  and  Reinforcement  Learning▼h[electronic  resource]
■260    ▼a[S.l.]:▼bCornell  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(165  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Vladimirsky,  Alexander.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aWe  consider  three  optimal  control  problems,  which  focus  on  continuous  path-planning  applications,  and  each  problem  deals  with  a  specific  challenge.  First,  we  introduce  a  new  local  factoring  technique  which  can  remove  numerical  artifacts  arising  from  Eikonal  equations  with  non-smooth  conditions.  Next,  we  deal  with  path-planning  under  an  initial  uncertainty,  which  can  be  removed  later  at  some  certainty  time,  and  further  discuss  methods  suitable  for  different  notions  of  optimality.  The  third  section  considers  an  online-learning  path-planning  problem  with  unknown  surveillance  intensity  and  develops  a  Bayesian  reinforcement  learning  method.In  addition  to  the  three  path-planning  problems,  a  new  method  of  parameterizing  neural  networks  is  introduced.  It  follows  the  continuous  optimal  control  interpretation  of  deep  learning  and  uses  B-spline  basis  functions  to  parameterize.  For  each  problem  we  use  numerical  experiments  to  show  the  advantages  of  our  proposed  methods.
■590    ▼aSchool  code:  0058.
■650  4▼aApplied  mathematics.
■650  4▼aComputer  science.
■653    ▼aNumerical  analysis
■653    ▼aOptimal  control
■653    ▼aPath  planning
■653    ▼aReinforcement  learning
■653    ▼aRobustness
■690    ▼a0364
■690    ▼a0984
■690    ▼a0800
■71020▼aCornell  University▼bApplied  Mathematics.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934001▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024