MARC

 008260126s2025        us                              c    eng  d
■001000017358808
■00520260202104755
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290653501
■035    ▼a(MiAaPQ)AAI32151375
■035    ▼a(MiAaPQ)Caltech17351
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004.6
■1001  ▼aCosner,  Ryan  Kazuo.
■24510▼aDynamic  Safety  Under  Uncertainty:  A  Control  Barrier  Function  Approach
■260    ▼a[Sl]▼bCalifornia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a261  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Ames,  Aaron.
■5021  ▼aThesis  (Ph.D.)--California  Institute  of  Technology,  2025.
■520    ▼aModern  technological  achievements  in  robotics,  machine  learning,  and  control  promise  an  exciting  future  where  autonomous  robots  are  a  useful  part  of  everyday  life,  from  automated  manufacturing  and  driverless  cars  to  robotic  healthcare  and  autonomous  delivery  drones.  However,  as  robots  are  deployed  in  increasingly  complex,  uncertain,  and  human-interactive  environments,  safety  becomes  paramount;  we  cannot  deploy  these  systems  at  scale  unless  we  are  rigorously  assured  of  their  safety.  Despite  the  capabilities  of  modern  robotics,  practical  real-world  safety  is  often  achieved  through  conservative  hardware  designs,  confining  deployment  regulations,  or  restrictive  assumptions  that  severely  limit  a  robot's  capabilities.The  goal  of  this  thesis  is  to  develop  methods  for  achieving  dynamic  safety:  formal  safety  guarantees  that  preserve  system  performance  and  remain  valid  under  uncertainty.  To  this  end,  this  thesis  advances  the  theory  and  practice  of  control  barrier  functions  (CBFs),  a  leading  framework  for  enforcing  safety  constraints  on  dynamical  systems.  While  CBF-based  methods  offer  strong  theoretical  guarantees,  they  do  so  by  relying  on  several  restrictive  assumptions.  Namely,  they  assume  that  the  safety  requirement  and  the  system  dynamics  are  compatible  and  that  the  dynamics  model  and  state  are  perfectly  known.  These  assumptions  rarely  hold  in  real-world  settings  and  can  result  in  false  confidence  and  catastrophic  safety  failures  when  violated.  This  thesis  addresses  these  gaps  by  systematically  relaxing  these  assumptions  and  developing  new  theory  to  retain  rigorous,  deployable  guarantees.By  leveraging  structural  properties  of  several  relevant  classes  of  system  dynamics,  Chapter  3  presents  a  myriad  of  constructive  synthesis  methods  that  make  CBF  design  feasible  for  a  wide  range  of  robots.  Chapter  4  then  develops  robust  control  methods  that  retain  their  rigorous  safety  guarantees  in  the  presence  of  bounded  dynamics  and  measurement  uncertainty.  However,  despite  the  utility  of  these  methods  in  guaranteeing  safety,  they  often  lead  to  highly  conservative  behavior  that  compromises  system  performance.  Thus,  to  mitigate  this  conservatism,  Chapter  5  integrates  machine  learning  techniques  to  reduce  uncertainty  and  determine  desired  levels  of  robustness.  While  this  unification  of  machine  learning  techniques  with  safetycritical  control  may  sacrifice  formal  guarantees,  it  enables  safe  and  performant  behavior.  Moreover,  the  robust  CBF  framework  developed  in  Chapter  4  provides  a  valuable  degree  of  interpretability  absent  from  typical  end-to-end  approaches.Next,  seeking  a  middle  ground  between  conservative  absolute  guarantees  and  capable-but-heuristic  methods,  Chapter  6  adopts  a  probabilistic  notion  of  safety  that  provides  risk-based  guarantees  in  the  presence  of  unbounded  disturbances.  In  particular,  by  illustrating  the  fundamental  connection  between  DCBFs  and  supermartingales,  it  develops  new  theoretical  guarantees  and  proposes  several  algorithms  to  achieve  safety  in  the  presence  of  stochastic  uncertainty.  Chapter  7  then  deploys  these  methods  on  several  complex  systems  experiencing  significant  uncertainty,  including  a  quadrotor  robot  with  a  slung  payload,  a  humanoid  robot  walking  in  unstructured  environments,  and  multiple  robots  performing  dynamic  collision  avoidance.  To  achieve  this,  we  use  generative  modeling  techniques  to  capture  the  necessary  understanding  of  the  uncertainty  distribution.  Here,  we  also  forego  the  traditional  CBF-based  safety  filter  paradigm  and  show  the  performance  and  safety  improvements  that  can  be  gained  through  the  unification  of  CBFs  and  horizon-based  methods  such  as  model  predictive  control  (MPC).Together,  the  contributions  of  this  thesis  represent  an  advancement  towards  dynamic,  safe,  and  capable  robotic  autonomy  under  uncertainty.  The  risk-aware,  robust  safetycritical  control  methods  proposed  here  help  close  the  gap  between  theoretical  safety  guarantees  and  the  demands  of  real-world  deployment.
■590    ▼aSchool  code:  0037.
■650  4▼aHigh  performance  systems
■650  4▼aRobust  control
■650  4▼aControl  algorithms
■650  4▼aWriting
■650  4▼aDecision  making
■650  4▼aAutonomous  vehicles
■650  4▼aControllers
■650  4▼aRobots
■650  4▼aDesign
■650  4▼aSystems  stability
■650  4▼aDistance  learning
■650  4▼aRobotics
■690    ▼a0771
■690    ▼a0389
■71020▼aCalifornia  Institute  of  Technology▼bEngineering  and  Applied  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0037
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358808▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서