MARC

 008250123s2024        us                              c    eng  d
■001000017160344
■00520250211151001
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383482056
■035    ▼a(MiAaPQ)AAI30993934
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aGregory,  Jason  M.
■24510▼aDecision  Support  Systems  for  Adaptive  Experimental  Design  of  Autonomous,  Off-Road  Ground  Vehicles
■260    ▼a[Sl]▼bUniversity  of  Southern  California▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a207  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  B.
■500    ▼aAdvisor:  Gupta,  Satyandra  K.
■5021  ▼aThesis  (Ph.D.)--University  of  Southern  California,  2024.
■520    ▼aThe  rapid  advancement  of  artificial  intelligence,  machine  learning,  human  robot  interaction,  and  safe  learning  and  optimization  has  led  to  significant  leaps  in  component-  and  behavior-level  capabilities  for  autonomous  robots.  However,  human  capability-enhancing  research,  development,  testing,  and  evaluation  toward  understanding  and  building  trust  in  next-generation  autonomous  robots  still  requires  additional  attention.  This  is  important  because  autonomous  robots  cannot  be  deployed  safely  alongside  humans  without  sufficient  understanding  of  system  performance,  limitations,  and  trustworthiness  of  capabilities,  which  necessitates  experimentation.  The  process  of  constructing  experiments,  i.e.,  experimental  design,  is  a  supreme  step  in  the  concept-to-fielding  life  cycle  of  an  autonomous  robot  because  it  dictates  the  amount  of  information  gained  by  the  experimenter,  the  cost  of  information  acquisition,  and  the  rate  of  building  system  understanding.  Conducting  experiments  is  challenging,  though,  due  to  complexity  and  context.  Autonomous  robots  can  be  massively  complex,  multi-disciplinary  systems  that  use  artificial  intelligence  and  machine  learning  across  a  range  of  components  (e.g.,  perception,  state  estimation,  localization,  mapping,  path  planning,  and  control)  and  experiments  are  specific  to  a  given  scenario,  system,  experimenter,  and  set  of  multi-objective  metrics  defined  by  the  intended  application.  To  assist  with  the  adaptive,  sequential  decision-making  process  of  experimental  design,  a  Decision  Support  System  (DSS)  can  potentially  augment  the  human's  abilities  to  construct  more  informative,  less  wasteful  experiments.  This  dissertation  aims  to  provide  conceptual  and  computational  foundations  for  DSSs  in  the  domain  of  adaptive  experimental  design  for  autonomous,  off-road  ground  vehicles.  First,  I  present  a  six-stage  taxonomy  of  DSSs  for  experimental  design  of  ground  robots,  which  is  informed  and  inspired  by  the  vast  body  of  literature  of  DSS  development  in  domains  outside  of  robotics.  This  taxonomy  also  serves  as  a  roadmap  to  guide  ongoing  development  of  DSSs  for  experimental  design.  Next,  I  develop  and  evaluate  a  Stage  1  DSS  that  provides  design  assistance  to  experimenters  in  the  form  of  prompts  for  the  purposes  of  experimental  design  conceptualization  and  structured  thought  analysis.  Building  on  this  I  propose  and  evaluate  a  Stage  2  DSS  to  provide  proactive  decision  support  in  the  form  of  alerts  so  that  low  value  experimental  designs  might  be  avoided.  Finally,  I  lay  the  groundwork  for  a  Stage  3  DSS  to  provide  narrowly-scoped  experimental  design  recommendations  for  assisting  with  subsequent  experimental  selections.  I  anticipate  that  this  work  will  help  improve  human  decision-making  of  experimental  design  for  real-world  autonomous  ground  vehicles.
■590    ▼aSchool  code:  0208.
■650  4▼aRobotics
■650  4▼aComputer  science
■653    ▼aDecision  support  systems
■653    ▼aExperimental  design
■653    ▼aField  robotics
■653    ▼aMobile  robotics
■653    ▼aOff-road  ground  vehicles
■690    ▼a0771
■690    ▼a0800
■690    ▼a0984
■71020▼aUniversity  of  Southern  California▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-01B.
■790    ▼a0208
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160344▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서