MARC

 008250123s2024        us                              c    eng  d
■001000017160825
■00520250211151122
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382762708
■035    ▼a(MiAaPQ)AAI31146713
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aWang,  Yixuan.
■24510▼aSafety-Assured  Autonomy  for  Learning-Enabled  Cyber-Physical  Systems
■260    ▼a[Sl]▼bNorthwestern  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a170  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Zhu,  Qi.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2024.
■520    ▼aModern  Cyber-Physical  Systems  (CPSs)  face  significant  challenges  due  to  the  operation  in  uncertain  and  dynamically  changing  physical  environments,  and  increasing  complex  computational  processes  in  the  cyber  domain.  These  complexities  often  surpass  what  traditional  rule-based  approaches  can  handle.  To  this  end,  there  has  been  a  shift  towards  leveraging  data-driven  machine  learning  techniques  in  CPSs,  a  Learning-Enabled  Cyber-Physical  Systems  (LE-CPSs)  paradigm.  These  techniques,  particularly  neural  networks,  offer  promising  solutions  across  various  CPS  functionalities,  from  sensing  and  perception  to  low-level  planning  and  control.  In  LE-CPSs,  neural  networks  have  attracted  attention  for  their  ability  to  improve  performance,  bypass  the  need  for  intricate,  error-prone  system  models,  and  effectively  deal  with  environmental  uncertainties  for  planning  and  control  tasks.Despite  their  potential  effectiveness,  neural  networks  face  challenges  such  as  training  errors,  limited  data  coverage,  inherent  uncertainties,  and  a  lack  of  comprehensive  safety  analyses  and  assurances.  These  factors  have  hindered  their  application  in  real-world  safety-critical  CPS  deployments.  To  this  end,  this  thesis  presents  a  safety-assured  autonomy  framework  designed  specifically  for  LE-CPSs  to  tackle  this  issue.  This  framework  combines  formal  verification  techniques  with  machine  learning  approaches  to  enable  safety-assured  planning  and  control  in  autonomous  systems  for  offline  training  and  online  execution.First,  we  introduce  a  verification-guided  control  learning  framework  for  design  time  and  offline  learning.  This  framework  seamlessly  integrates  verification  into  the  control  learning  process  in  a  closed-loop  manner  via  gradient  guidance,  ensuring  that  the  optimized  controllers  come  with  formal  safety  guarantees.  Specifically,  we  employ  reachability  analysis  tools  to  approximate  gradients  for  safety  and  goal-reaching  metrics  in  environments  where  the  dynamics  are  fully  understood.  To  enhance  the  practicality  of  this  framework,  we  shift  focus  to  safe  reinforcement  learning  (RL)  as  an  alternative  approach  for  learning  safe  control  policies  without  complete  knowledge  of  system  dynamics.  Our  innovative  bi-level  optimization  formulation  enables  our  joint  learning  framework  to  perform  formal  safety  verification  and  reinforcement  learning  optimization  concurrently  through  a  differential  convex  optimization  approach.  We  expand  this  bi-level  joint  learning  framework  for  fully  unknown  and  stochastic  environments  by  using  a  novel  generative-model-based  soft  barrier  method.  This  method  allows  us  to  encode  hard  safety  chance  constraints  with  all  components  parameterized  by  deep  neural  networks  and  provides  a  probability-bounded  safety  "guarantee".Then,  we  propose  a  control  adaptation  framework  for  run-time  switching  among  multiple  existing  controllers,  either  model-based  or  neural-network-based  ones.  Leveraging  a  novel  control  invariant  computation  and  reinforcement  learning  optimization,  this  framework  features  safety  assurance  and  energy  efficiency.  While  prior  approaches  yield  improved  safety  and  performance,  challenges  of  generalizability  and  explainability  persist.  Exploiting  the  interest  in  large  language  models  (LLMs)  and  their  adept  reasoning  capabilities  for  runtime  execution,  we  investigate  their  potential  to  bolster  driving  safety,  particularly  within  autonomous  driving,  a  typical  LE-CPS  application.  Employing  an  LLM  (ChatGPT)  as  a  high-level  online  behavior  decision-maker,  we  explore  its  capacity  to  make  planning  intentions  based  on  textual  descriptions  of  driving  environments,  with  a  concurrent  safety  verifier  facilitating  online  in-context  safety  learning.Through  this  comprehensive  framework  introduced  in  this  thesis,  we  aim  to  propel  the  integration  of  verification  into  learning-based  planning  and  control  for  offline  and  online  safety  assurance  in  safety-critical  CPS  deployments,  to  enhance  the  overall  system  reliability. 
■590    ▼aSchool  code:  0163.
■650  4▼aComputer  engineering
■650  4▼aComputer  science
■650  4▼aInformation  technology
■653    ▼aControl  learning  process
■653    ▼aCyber-physical  systems
■653    ▼aFormal  verification
■653    ▼aMachine  learning
■653    ▼aReinforcement  learning
■653    ▼aSafety  assurance
■690    ▼a0464
■690    ▼a0489
■690    ▼a0984
■690    ▼a0800
■71020▼aNorthwestern  University▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160825▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서