MARC

 008250123s2024        us                              c    eng  d
■001000017163275
■00520250211152647
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384454700
■035    ▼a(MiAaPQ)AAI31486161
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aZhu,  Edward  Liu.
■24510▼aFrom  Cooperation  to  Competition:  Prediction  and  Planning  in  Constrained  Multi-Agent  Settings  Using  Data-Driven  and  Model-Based  Optimal  Control  Methods
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a161  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Borrelli,  Francesco.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aAs  robotic  systems  become  more  advanced  and  their  applications  more  complex,  it  is  insufficient  to  consider  a  robot's  behavior  in  isolation.  Robots  are  increasingly  expected  to  operate  in  environments  populated  with  other  intelligent  agents.  In  order  to  perform  their  tasks  well  while  obeying  constraints,  these  robotic  systems  must  be  endowed  with  the  ability  to  predict  the  behavior  of  the  other  agents  in  the  environment  in  addition  to  planning  their  own  actions  over  a  time  horizon.  This  is  especially  important  in  scenarios  where  agents  do  not  communicate  with  each  other  and  may  behave  in  an  adversarial  manner.  In  this  thesis,  we  investigate  methods  for  prediction  and  planning  for  multi-agent  systems  over  a  variety  of  reward  structures  and  information  structures.  Namely,  we  examine  approaches  which  tackle  the  problem  in  cooperative,  non-cooperative,  and  competitive  scenarios  where  agents  engage  in  partial  or  no  communication  about  their  intentions  and  future  plans.  These  approaches  are  formulated  through  a  combination  of  model-based  optimal  control  and  data-driven  learning  techniques,  where  we  use  data  in  a  principled  manner  to  construct  or  augment  the  objective  and  constraint  functions  of  optimal  control  problems.  This  allows  us  to  incorporate  the  rich  and  expressive  behavior  stemming  from  learned  models  in  a  transparent  manner.  We  place  a  particular  emphasis  on  the  problem  of  autonomous  racing,  which  is  highly  illustrative  of  competitive  multi-agent  settings  with  no  agent  communication  and  where  both  prediction  and  planning  are  paramount  to  achieving  good  performance  while  maintaining  safety  in  the  presence  of  adversarial  agents.  The  presented  approaches  are  evaluated  in  simulation  and  hardware  experiments  of  vehicle  navigation  and  racing  tasks.
■590    ▼aSchool  code:  0028.
■650  4▼aMechanical  engineering
■650  4▼aRobotics
■650  4▼aEngineering
■653    ▼aGame  theory
■653    ▼aMachine  learning
■653    ▼aMulti-agent  systems
■653    ▼aOptimal  control
■653    ▼aVehicle  navigation
■690    ▼a0548
■690    ▼a0771
■690    ▼a0537
■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=T17163275▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books