MARC

 008250123s2024        us                              c    eng  d
■001000017161363
■00520250211151346
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384448204
■035    ▼a(MiAaPQ)AAI31242663
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aWeaver,  Catherine  Nichole.
■24510▼aData-Driven  Methods  for  Real-Time  Control  in  Autonomous  Racing  Games
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a124  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Tomizuka,  Masayoshi.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aOffline  datasets  and  demonstrations  can  provide  valuable  guidance  for  planning  and  control  in  robotic  and  intelligent  systems.  Often,  demonstration  data  consists  of  sequences  of  observations  and  control  actions  that  occurred  in  the  environment,  demonstrating  a  specific  task  or  desirable  behavior.  They  can  originate  from  human  experts  or  demonstrators,  simple  rule-based  or  model-based  controllers,  or  even  previously  machine-learned  policies.  However,  this  data  is  most  commonly  unstructured,  without  annotations  of  underlying  tasks,  rewards,  thoughts,  rules,  or  states  that  were  used  by  the  demonstration  generator.  For  long-horizon,  complicated  tasks,  these  unstructured  demonstrations  often  fail  to  provide  enough  information  to  facilitate  learning.  Thus,  additional  structure  in  sequential  demonstrations  could  inform  or  enhance  learning-based  planning  and  control.This  dissertation  explores  how  meaningful  partitions  of  sequential  data  can  guide  and  accelerate  learning,  and  improve  the  performance  and  reliability  of  control  systems.  In  particular,  we  primarily  focus  on  the  complicated  task  of  planning  and  control  for  an  autonomous  racing  vehicle,  which  must  rapidly  traverse  a  closed  racetrack  with  complicated,  unknown  vehicle  dynamics.  We  identify  three  challenges  that  exist  in  current  algorithms  for  autonomous  racing  systems.  First,  the  control  system  should  be  robust  to  state  deviations  and  maintain  control  when  it  encounters  previously  unseen  states.  Second,  training  the  control  system  should  efficiently  leverage  its  knowledge  to  minimize  the  number  of  environment  interactions  necessary  to  train  a  high-performance  system.  Third,  the  control  system  should  emulate  human  behavior  to  race  in  predictable  and  understandable  ways.  In  this  dissertation,  we  explore  how  offline  datasets  can  address  these  challenges  while  maintaining  good  racing  performance  through  both  modular  planning  and  control  and  end-to-end  learning. In  the  first  part,  we  explore  control  systems  that  are  built  on  separate  planning  and  control  modules.  In  particular,  we  design  a  trajectory  generation  module  that  can  leverage  an  existing  demonstration  for  fast,  online  trajectory  planning.  In  Chapter  2,  we  propose  a  novel  acceleration  motion  primitive  for  online  trajectory  generation  that  can  plan  trajectories  that  are  better  suited  for  the  complex  racing  environment  than  existing  methods.  Analysis  of  the  trajectories  reveals  that  our  method  generates  trajectories  reduce  the  error  between  generated  trajectories  and  the  offline  demonstration  and  lead  to  less  aggressive  acceleration  and  jerk  than  existing  velocity  motion  primitives.  In  Chapter  3,  we  learn  a  sequence  of  motion  primitives  from  a  reference  trajectory,  and  use  the  primitive  sequence  to  generate  racing  trajectories  in  real-time.  When  used  with  Model  Predictive  Control  (MPC),  our  proposed  acceleration  motion  primitive  and  learning-based  trajectory  generation  algorithm  allows  the  MPC  to  recover  from  deviations  from  the  reference  while  maintaining  racing  speeds. In  the  second  part,  we  explore  how  offline  data  can  improve  end-to-end  control  policy  learning.  In  Chapter  4,  we  tackle  the  problem  of  learning  a  control  policy  from  long  horizon  sparse  rewards  by  adding  additional  hierarchical  structure  from  offline  data.  Our  Skill-Critic  method  for  online  fine-tuning  of  the  hierarchical  policies  reduces  the  requirements  for  online  interactions  with  the  environment  and  results  in  the  fastest  racer.  In  Chapter  5,  rather  than  learning  from  a  designed  reward  function,  we  tackle  the  problem  of  imitating  human  driver  demonstrations.  We  propose  a  method  that  leverages  offline  sequence  modeling  architectures  and  online  fine-tuning  to  imitate  human  racers.  Our  proposed  method  is  more  sample  efficient.  The  resulting  policies  are  more  stable  and  are  able  to  achieve  the  fastest  lap-times  compared  to  existing  methods.
■590    ▼aSchool  code:  0028.
■650  4▼aMechanical  engineering
■650  4▼aComputer  engineering
■650  4▼aAutomotive  engineering
■650  4▼aInformation  technology
■650  4▼aRobotics
■653    ▼aAutonomous  racing
■653    ▼aAutonomous  vehicles
■653    ▼aControl  systems
■653    ▼aImitation  learning
■653    ▼aReinforcement  learning
■690    ▼a0548
■690    ▼a0489
■690    ▼a0464
■690    ▼a0800
■690    ▼a0771
■690    ▼a0540
■71020▼aUniversity  of  California,  Berkeley▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161363▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서