MARC

 008260126s2024        us                              c    eng  d
■001000017360349
■00520260202105511
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263329372
■035    ▼a(MiAaPQ)AAI32308307
■035    ▼a(MiAaPQ)GeorgiaTech76988
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a796.72
■1001  ▼aKnaup,  Jacob.
■24510▼aSafe,  High-Performance  Motion  Planning  Under  Uncertainty  for  Autonomous  Driving  Applications
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a168  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Tsiotras,  Panagiotis.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aRobots  and  autonomous  vehicles  must  be  able  to  operate  safely  and  efficiently  in  the  presence  of  environmental  uncertainty,  motivating  the  development  of  sophisticated  motion  planning  algorithms  for  handling  complex  stochastic  dynamics.  However,  the  application  of  existing  approaches  is  limited  due  to  restrictions  imposed  on  the  structure  of  the  dynam-ics  and  conservatism  resulting  from  simplistic  characterization  of  uncertainties.  This  thesis  develops  theoretical  and  experimental  results  motivated  by  two  challenging  robotic  appli-cations  within  the  domain  of  autonomous  vehicles:  off-road  racing  and  interactive  driving.  For  the  first  application,  autonomous  racing,  we  develop  a  stochastic  model  predictive  con-trol  (SMPC)  algorithm  for  linear  time-varying  systems  subject  to  unbounded  disturbances  which  efficiently  optimizes  over  the  space  of  affine  feedback  policies  using  convex  pro-gramming.  We  show  that  the  proposed  SMPC  approach  provides  bounded  convergence  to  a  reference  trajectory  and  guarantees  polytopic  chance  constraint  satisfaction  with  at  least  a  specified  probability  during  operation.  We  verify  our  approach  using  numerical  and  experimental  demonstrations  on  a  1:5-scale  autonomous  rally  racing  platform  as  well  as  with  a  full-scale  autonomous  vehicle,  and  we  demonstrate  improved  safety  and  reduced  lap-times  over  a  state-of-the-art  method.  For  the  second  application,  we  consider  interac-tive  highway  driving  and  develop  a  dual  SMPC  algorithm  which  employs  active  learning  of  unknown  parameters  of  a  general  nonlinear  system  using  Bayesian  estimation.  We  show  that  the  proposed  approach  induces  probing  behaviors  to  reduce  parameter  uncertainty,  and  we  develop  a  novel  sampling-based  solver  utilizing  recent  results  for  generative  diffusion  models  to  efficiently  solve  the  dual  control  problem  in  real  time.  We  validate  the  proposed  dual  SMPC  approach  by  utilizing  high-fidelity  simulations  and  hardware  experiments  of  an  autonomous  merge  scenario  in  a  congested  traffic  environment  and  demonstrate  a  superior  merge  success  rate  over  state-of-the-art  passive  learning  approaches.
■590    ▼aSchool  code:  0078.
■650  4▼aAutomobile  racing
■650  4▼aControl  algorithms
■650  4▼aComputer  peripherals
■650  4▼aNormal  distribution
■650  4▼aAutonomous  vehicles
■650  4▼aRoads  &  highways
■650  4▼aControllers
■650  4▼aDesign
■650  4▼aStochastic  models
■650  4▼aRobotics
■650  4▼aComputer  science
■650  4▼aTransportation
■690    ▼a0771
■690    ▼a0389
■690    ▼a0984
■690    ▼a0709
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360349▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서