MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016933177
■00520240214101213
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379909734
■035    ▼a(MiAaPQ)AAI30525744
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.1
■1001  ▼aLi,  Sarah  H.  Q.
■24510▼aScalable  Coordination  of  Intelligent  Vehicles  in  Shared  Markovian  Dynamics▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Washington.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(176  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-01,  Section:  B.
■500    ▼aAdvisor:  Acikemese,  Behcet.
■5021  ▼aThesis  (Ph.D.)--University  of  Washington,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aDriven  by  the  growing  demand  for  mobility  and  connectivity,  future  aerospace-based  transportation  systems  necessitate  efficient  coordination  of  not  just  one,  or  two,  but  a  population  of  intelligent  vehicles  that  execute  independent  tasks  in  a  shared  operation  environment.  Combining  techniques  from  game  theory,  optimization,  and  Markov  decision  process,  the  dissertation  tackles  three  key  challenges  in  coordinating  intelligent  vehicles  sharing  a  disruption-prone  environment:  1)  maximizing  safety  in  multi-vehicle  trajectory  planning,  2)  strengthening  fleet  resiliency  to  resource  disruptions,  and  3)  optimizing  individual  performance  and  safety  when  coordination  is  not  possible.  All  three  challenges  revolve  around  building  a  coordination  framework  for  intelligent  autonomous  vehicles  that  prioritizes  each  vehicle's  performance  and  safety.  Grounded  in  this  goal,  this  dissertation  combines  theoretical  tools  with  data-driven  verification  to  provably  facilitate  large-scale  autonomy  in  urban  air  spaces  and  ground  transportation.This  dissertation  uses  Markov  games  and  Markov  decision  processes  to  optimize  decision-making  in  environments  influenced  by  unpredictable  external  disruptions.  These  models  help  us  understand  how  competitive  route  planning  and  unpredictable  resource  disruptions  impact  individual  safety  and  the  overall  congestion  level  in  the  environment.  For  instance,how  can  multiple  aircraft  owned  by  different  airlines  collectively  adjust  their  routes,  so  that  each  aircraft's  collision  risk  is  minimized  despite  uncertain  airport  delays?  Modeling  each  aircraft's  interdependent  decision-making  process  as  a  coupled  Markov  decision  process,  this  dissertation  derives  efficient  algorithms  for  finding  routes  that  can  be  simultaneously  optimalfor  all  aircraft.  Furthermore,  this  dissertation  uses  these  models  to  derive  incentives  that  produce  fleet-level  trends  and  investigate  collision  minimization  techniques  with  and  without  a  central  coordinator.In  the  centralized  coordination  scheme,  a  Markov  game  is  explicitly  formulated  for  coordinating  individual  decision-makers  who  must  operate  in  a  shared  state-action  space  while  executing  independent  tasks.  In  Chapter  3,  the  Markov  decision  process  routing  game  model  is  expanded  to  atomic  Markov  games.  The  Markov  game  model  is  then  applied  to  minimizecollision  risks  in  air  traffic  management  and  optimize  warehouse  path  planning  considering  stochastic  package  arrival  times.  Multiple  necessary  and  sufficient  conditions  on  the  player  cost  functions  that  ensure  the  existence  of  Nash  equilibrium  are  given,  as  well  as  a  first-order  gradient  descent  method  that  uses  iterative  dynamic  programming  to  compute  the  game's  Nash  equilibrium  of  the  game.  In  Chapter  4,  the  Markov  decision  process  congestion  game  model  is  used  to  study  the  effectiveness  of  incentives  in  enforcing  population  constraints  and  demonstrated  on  a  group  of  ride-hail  drivers  in  New  York  City.  The  stability  of  Markov  games  under  resource  disruptions  and  adversarial  learning  dynamics  are  analyzed  in  Chapters  5  and  6.In  the  uncoordinated  scheme,  an  individual  decision  maker  who  cannot  explicitly  coordinate  with  others  (but  nonetheless  share  a  state-action  space)  is  modeled  by  a  Markov  decision  process  with  non-stationary  parameter  uncertainty,  and  the  resulting  non-stationary  Bellman  iteration  is  analyzed  via  a  novel  set-theoretic  approach.  In  Chapter  7,  a  novel  perspective  on  classic  contraction  operators  used  in  Markov  decision  processes  is  introduced.  Interaction  between  decision-makers  is  abstracted  as  a  compact  set  of  parameter  uncertainty  on  an  individual  Markov  decision  process,  and  a  set-based  operator  is  introduced  to  derive  convergence  guarantees  for  dynamic  programming  under  non-stationary  parameter  uncertainty.
■590    ▼aSchool  code:  0250.
■650  4▼aAerospace  engineering.
■650  4▼aTransportation.
■650  4▼aApplied  mathematics.
■653    ▼aAir  traffic  management
■653    ▼aGame  theory
■653    ▼aMarkov  decision  process
■653    ▼aOptimization
■653    ▼aStochastic  control
■690    ▼a0538
■690    ▼a0709
■690    ▼a0364
■71020▼aUniversity  of  Washington▼bAeronautics  and  Astronautics.
■7730  ▼tDissertations  Abstracts  International▼g85-01B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0250
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933177▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서