MARC

 008250123s2024        us                              c    eng  d
■001000017163746
■00520250211152748
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342107457
■035    ▼a(MiAaPQ)AAI31520321
■035    ▼a(MiAaPQ)Stanfordts345km5140
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a320.52
■1001  ▼aDyro,  Robert.
■24510▼aOptimization-Driven  Autonomous  Driving:  Control,  Intent,  and  Testing
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a129  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  A.
■500    ▼aAdvisor:  Pavone,  Marco.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aThe  primary  goal  of  this  research  is  to  develop  behavior  models  amenable  to  the  task  of  online  intent  inference.  This  is  crucial  as  real-time  intent  inference  is  increasingly  essential  in  dynamic  environments  where  autonomous  systems  interact  with  humans  as  the  number  of  other  traffic  participants  increases.  Secondly,  building  on  developments  in  behavior  models,  we  also  focus  on  better  Autonomous  Vehicles  (AV)  testingvia  counterfactual  scenario  creation,  which  is  vital  for  enhancing  the  safety  and  reliability  of  AVs  in  complex  and  unpredictable  real-world  scenarios.  We  develop  new  optimization  tools  for  accelerating  the  solution  of  bilevel  programs,  targeting  online  intent  inference  as  a  primary  application.The  methodological  contribution  leads  us  to  focus  on  one  type  of  behavior  model:  an  inverse  optimal  control-based  (IOC)  agent  behavior  model.  Our  methodology  removes  the  typical  obstacle  of  applying  IOC  online,  which  is  a  large  number  of  costly  iterations,  thus  enabling  online  intent  inference.  We  combine  our  new  methodology  with  previous  IOC  approaches,  leading  to  a  hybrid  method.  This  innovative  approach  addresses  the  urgent  need  for  adaptable  and  efficient  online  intent  inference  in  rapidly  changing  scenarios.  We  do  so  to  allow  both  fast  online  intent  inference  in  structured  models  with  comparatively  few  but  interpretable  parameters  (e.g.,  parameterized  rule-based  models,  collision  repulsion  parameterization)  and  unstructured,  expressive  models  with  up  to  billions  of  parameters  (e.g.,  neural  network  residual  corrector  models).  This  allows  our  methodology  to  speed  up  existing  largely  structured  IOC  approaches  while  also  taking  advantage  of  the  power  of  unstructured  deep  learning.Acknowledging  the  growing  public  concern  about  the  safety  of  AVs,  we  attempt  to  develop  better  testing  for  AVs.  To  do  so,  we  leverage  our  improved  behavior  modeling  techniques  in  conjunction  with  recent  advancements  in  behavior  models.  We  aim  to  facilitate  more  exhaustive  AV  testing  by  generating  realistic,  counterfactual  scenarios,  allowing  for  stress  testing  of  AVs.  Our  method  relies  on  extracting  behavior  probability  distribution  encoded  in  fitted  behavior  models  to  generate  challenging  but  realistic  counterfactual  scenarios  automatically.  Our  method  has  the  advantage  of  being  generally  applicable  to  parametric  behavior  models,  generating  a  diversity  of  scenarios  and  allowing  for  the  explicit  specification  of  the  lower  probability  limit  of  the  generated  scenarios  -  blending  stress-testing  with  realism.
■590    ▼aSchool  code:  0212.
■650  4▼aConservatism
■650  4▼aRobust  control
■650  4▼aDeep  learning
■650  4▼aSensitivity  analysis
■650  4▼aComputer  vision
■650  4▼aPlanning
■650  4▼aNeural  networks
■650  4▼aDecision  making
■650  4▼aConvex  analysis
■650  4▼aRealism
■650  4▼aRobotics
■650  4▼aIndustrial  engineering
■650  4▼aMathematics
■650  4▼aPolitical  science
■650  4▼aComputer  science
■690    ▼a0771
■690    ▼a0800
■690    ▼a0546
■690    ▼a0405
■690    ▼a0615
■690    ▼a0984
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-04A.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163746▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서