008240612s2021      us  |||||||||||||||c||eng  d
■001000016931044
■00520240214095859
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380619943
■035    ▼a(MiAaPQ)AAI28772393
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aShih,  Chia-Yin.
■24510▼aSafety  Methods  for  Robotic  Systems▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Berkeley.  ▼c2021
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2021
■300    ▼a1  online  resource(91  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-04,  Section:  B.
■500    ▼aAdvisor:  El  Ghaoui,  Laurent.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2021.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aRecently  there  have  been  vast  interests  in  introducing  robotic  systems  such  as  autonomous  cars  and  UAVs  into  the  real  world.  Ensuring  the  safety  of  these  systems  when  they  are  deployed  is  thus  a  highly  crucial  and  urgent  problem.  Safety  problems  can  arise  from  various  different  settings  such  as  when  there  are  multiple  vehicles  or  human-operated  vehicles  in  the  environment.  Different  safety-critical  settings  often  require  different  approaches  for  addressing  the  safety  of  vehicles.  In  this  dissertation,  we  contribute  novel  methods  for  safety  problems  that  arise  from  three  different  scenarios.First,  we  have  seen  a  surge  of  interests  in  deploying  autonomous  vehicles  into  the  everyday  lives  of  people.  Developing  accurate  and  generalizable  algorithms  for  modeling  and  predicting  human  behavior  thus  becomes  important.  We  present  a  method  for  generating  the  probabilistic  forward  reachable  set  of  a  human-controlled  vehicle  in  an  environment  where  a  robot  is  operating  in  close  proximity  to  the  human-controlled  vehicle.Second,  motivated  by  the  recent  advances  in  deploying  unmanned  aerial  vehicles  into  the  airspace,  we  tackle  the  problem  of  multi-vehicle  safety.  We  first  contribute  a  planning  and  control  strategy  for  guaranteeing  safety  of  multiple  vehicles  while  vehicles  complete  their  objectives.  We  also  present  an  initialization  strategy  based  on  machine  learning  to  enhance  the  safety  of  multi-vehicle  systems  when  they  adopt  least-restrictive  safety-aware  algorithms.  Finally,  machine  learning  has  emerged  as  a  promising  tool  to  enable  robots  to  accomplish  challenging  tasks  under  uncertainty  in  the  dynamics  of  the  robots  or  the  environment.  However,  the  safety  of  the  robot  while  it's  learning  online  is  often  not  taken  into  account,  which  could  lead  to  unsafe  behavior  of  the  robot.  We  present  an  online  learning  framework  that  enables  a  robot  to  learn  about  its  dynamics,  accomplish  a  task,  and  update  its  safe  set  simultaneously  online.
■590    ▼aSchool  code:  0028.
■650  4▼aRobotics.
■650  4▼aComputer  science.
■650  4▼aElectrical  engineering.
■653    ▼aRobotic  systems
■653    ▼aSafety  methods
■653    ▼aAutonomous  vehicles
■653    ▼aHuman-controlled  vehicle
■690    ▼a0771
■690    ▼a0984
■690    ▼a0544
■690    ▼a0800
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g85-04B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2021
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931044▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024