MARC

 008250123s2024        us                              c    eng  d
■001000017165051
■00520250211153117
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346583929
■035    ▼a(MiAaPQ)AAI31732965
■035    ▼a(MiAaPQ)Purdue27115732
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a330
■1001  ▼aYang,  Haoguang.
■24512▼aA  Designer-Augmenting  Framework  for  Self-Adaptive  Control  Systems
■260    ▼a[Sl]▼bPurdue  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a168  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  A.
■500    ▼aAdvisor:  Voyles,  Richard  M.
■5021  ▼aThesis  (Ph.D.)--Purdue  University,  2024.
■520    ▼aRobotic  software  design  and  implementation  have  traditionally  relied  on  human  engineers  to  fine-tune  parameters,  optimize  hardware  utilization,  and  mitigate  unprecedented  situations.  As  we  face  more  demanding  and  complex  applications,  such  as  distributed  robotic  fleets  and  autonomous  driving,  explicit  fine-tuning  of  autonomous  systems  yields  diminishing  returns.  To  make  autonomous  systems  smarter,  a  design-time  and  run-time  framework  is  required  to  extract  constraints  from  high-level  human  decisions,  and  self-adapt  on-the-fly  to  maintain  desired  specifications.  Specifically,  for  controllers  that  govern  cyber-physical  interactions,  making  them  self-adaptive  involves  two  challenges.  Firstly,  controller  design  methods  have  historically  neglected  computing  hardware  constraints  that  realize  real-time  execution.  Hence,  intensive  manual  tuning  is  required  to  materialize  a  controller  prototype  with  balanced  control  performance  and  computing  resource  consumption.  Secondly,  precisely  modeling  the  physical  system  dynamics  at  edge  cases  is  difficult  and  costly.  However,  with  modeling  discrepancies,  controllers  fine-tuned  at  design  time  may  fail  at  run  time,  causing  safety  concerns.  While  humans  are  inherently  adept  at  reacting  and  getting  used  to  unknown  system  dynamics,  how  to  transfer  this  knowledge  to  robots  is  still  unresolved.  To  address  the  two  challenges,  we  propose  a  designer-augmenting  framework  for  self-adaptive  control  systems.  Our  framework  includes  a  resource/performance  co-design  tool  and  a  model-free  controller  self-adaptation  method  for  real-time  control  systems.  Our  resource/performance  co-design  tool  automatically  exploits  the  Pareto  front  of  controllers,  between  real-time  computing  resource  utilization  and  achievable  control  performance.  The  co-design  tool  simplifies  the  iterative  partitioning  and  verification  of  controller  performance  and  distributed  resource  budget,  enabling  human  engineers  to  directly  interface  with  high-level  design  decisions  between  quality  and  cost.  Our  controller  self-adaptation  method  extracts  objectives  and  tolerances  from  human  demonstrations  and  applies  them  to  real-time  controller  switching,  allowing  human  experts  to  design  fault  mitigation  behaviors  directly  through  coaching.  The  objective  extraction  and  real-time  adaptation  do  not  rely  on  prior  knowledge  of  the  plant,  making  them  inherently  robust  against  mismatch  between  the  design  reference  model  and  the  physical  system.  Only  with  the  prerequisite  of  real-time  schedulability  under  Worst-Case  Execution  Time  (WCET),  will  the  digital  controller  deliver  the  designed  dynamics.  To  determine  the  real-time  schedulability  of  controllers  during  the  design-time  iteration  and  run-time  self-adaptation,  we  propose  a  novel  estimate  of  WCET  based  on  the  Mixed  Weibull  distribution  of  profiling  statistics  and  a  linear  composition  model.  Our  hybrid  approach  applies  to  design-time  estimation  of  arbitrary-scaled  controllers,  yielding  results  as  accurate  as  a  state-of-the-art  method  while  being  more  robust  under  small  profiling  sample  sizes.  Finally,  we  propose  a  resource  consolidator  that  accounts  for  real-time  schedulable  bounds  to  utilize  available  computing  resources  while  preventing  deadline  misses  efficiently.  Our  consolidator,  formulated  as  a  vector  packing  problem,  exploits  different  parallelization  techniques  on  a  CPU/FPGA  hybrid  architecture  to  obtain  the  most  compact  allocation  plan  for  a  given  controller  complexity  and  throughput.  By  jointly  considering  all  four  aspects,  our  framework  automates  the  co-optimization  of  controller  performance  and  computing  hardware  requirements  throughout  the  life  cycle  of  a  control  system.  As  a  result,  the  engineering  time  required  to  design  and  deploy  a  controller  is  significantly  reduced,  while  the  adaptivity  of  human  engineers  is  extended  to  fault  mitigation  at  run-time.
■590    ▼aSchool  code:  0183.
■650  4▼aSparsity
■650  4▼aSoftware
■650  4▼aSpace  exploration
■650  4▼aDecision  making
■650  4▼aControllers
■650  4▼aRobots
■650  4▼aAdaptation
■650  4▼aDistributed  control  systems
■650  4▼aCoaching
■650  4▼aCo-design
■650  4▼aField  programmable  gate  arrays
■650  4▼aRobotics
■650  4▼aAerospace  engineering
■650  4▼aComputer  engineering
■650  4▼aDesign
■690    ▼a0771
■690    ▼a0538
■690    ▼a0800
■690    ▼a0464
■690    ▼a0389
■690    ▼a0454
■71020▼aPurdue  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05A.
■790    ▼a0183
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17165051▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서