008240612s2023      us  |||||||||||||||c||eng  d
■001000016932366
■00520240214100448
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380380713
■035    ▼a(MiAaPQ)AAI30491883
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aWestenbroek,  Tyler.
■24510▼aRobust  Machine  Learning  for  the  Control  of  Real-world  Robotic  Systems▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Berkeley.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(129  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Sastry,  S.  Shankar.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aOptimal  control  is  a  powerful  paradigm  for  controller  design  as  it  can  be  used  to  implicitly  encode  complex  stabilizing  behaviors  using  cost  functions  which  are  relatively  simple  to  specify.  On  the  other  hand,  the  curse  of  dimensionality  and  the  presence  of  non-convex  optimization  landscapes  can  make  it  challenging  to  reliably  obtain  stabilizing  controllers  for  complex  high-dimensional  systems.  Recently,  sampling-based  reinforcement  learning  approaches  have  enabled  roboticists  to  obtain  approximately  optimal  feedback  controllers  for  high-dimensional  systems  even  when  the  dynamics  are  unknown.  However,  these  methods  remain  too  unreliable  for  practical  deployment  in  many  application  domains.This  dissertation  argues  that  the  key  to  reliable  optimization-based  controller  synthesis  is  obtaining  a  deeper  understanding  of  how  the  cost  functions  we  write  down  and  the  algorithms  we  design  interact  with  the  underlying  feedback  geometry  of  the  control  system.  First,  we  next  investigate  how  to  accelerate  model-free  reinforcement  learning  by  embedding  control  Lyapunov  functions  -  which  are  energy  like  functions  for  the  system-  into  the  objective.  Next  we  will  introduce  a  novel  data-driven  policy  optimization  framework  which  embeds  structural  information  from  an  approximate  dynamics  model  and  family  of  low-level  feedback  controllers  into  the  update  scheme.  We  then  turn  to  a  dynamic  programming  perspective,  and  investigate  how  the  geometric  structure  of  the  system  places  fundamental  limitations  on  how  much  computation  is  required  to  compute  or  learn  a  stabilizing  controller.  Finally,  we  investigate  derivative-based  search  algorithms  and  investigate  how  to  design  'good'  cost  functions  for  model  predictive  control  schemes,  which  ensure  these  methods  stabilize  the  system  even  when  gradient-based  methods  are  used  to  search  over  a  non-convex  objective.  Throughout  an  emphasis  will  be  placed  on  how  structural  insights  gleaned  from  a  simple  analytical  model  can  guide  our  design  decisions,  and  we  will  discuss  applications  to  dynamic  walking,  flight  control,  and  autonomous  driving.
■590    ▼aSchool  code:  0028.
■650  4▼aEngineering.
■650  4▼aComputer  engineering.
■650  4▼aRobotics.
■653    ▼aControl  theory
■653    ▼aMachine  learning
■653    ▼aAutonomous  driving
■653    ▼aReinforcement  learning
■653    ▼aDynamic  programming
■690    ▼a0537
■690    ▼a0464
■690    ▼a0800
■690    ▼a0771
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932366▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024