MARC

 008260126s2025        us                              c    eng  d
■001000017360354
■00520260202105512
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263330705
■035    ▼a(MiAaPQ)AAI32308359
■035    ▼a(MiAaPQ)GeorgiaTech77825
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a796.72
■1001  ▼aYin,  Ji.
■24510▼aSafe  And  Efficient  Variational  Inference  Model  Predictive  Control  with  Application  to  Aggressive  Autonomous  Driving
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a162  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Tsiotras,  Panagiotis.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aAutonomous  driving  in  aggressive,  dynamic  environments  presents  a  unique  challenge:  balancing  optimal  performance  with  stringent  safety  requirements.  Model  Predictive  Control  (MPC)  methods,  including  deterministic  and  stochastic  variants,  have  been  widely  used  for  trajectory  optimization  and  control.  While  many  MPC  approaches  can  handle  nonlinear  dynamics  and  constraints,  they  often  rely  on  simplified  models,  assume  specific  forms  of  noise,  or  suffer  from  high  computational  costs.  Furthermore,  Variational  Inference  MPC  (VIMPC)  recasts  control  as  a  probabilistic  inference  problem,  enabling  a  more  flexible  and  scalable  approach  to  trajectory  optimization.  For  instance,  Model  Predictive  Path  Integral  (MPPI)  control,  a  type  of  VIMPC,  focuses  on  achieving  optimal  trajectories  through  extensive  forward  simulations  using  general  nonlinear  dynamics  to  reduce  simulation-to-reality  gaps.  However,  existing  VIMPC  approaches  demand  substantial  computational  resources  for  real-time  implementation  and  often  lack  both  risk-awareness  and  formal  safety  guarantees.  These  limitations  pose  significant  challenges  in  safety-critical  applications,  where  robustness  and  reliability  are  essential.The  key  research  question  of  this  dissertation  is:  How  can  we  design  high-performing  VIMPC  controllers  that  ensure  safety  while  maintaining  computational  feasibility?  The  significance  of  this  research  lies  in  its  potential  to  advance  the  field  of  autonomous  driving  using  robust  controllers  that  can  operate  efficiently  on  limited  computational  resources.  By  incorporating  techniques  such  as  covariance  steering  to  shape  trajectory  sampling  distributions,  integrating  metrics  like  Conditional  Value-at-Risk  (CVaR)  to  account  for  risk,  and  employing  formal  methods  such  as  control  barrier  functions  (CBFs)  to  guarantee  safety,  the  proposed  VIMPC  approaches  enable  real-time  computation  of  optimal  control  in  complex  environments  without  compromising  safety  or  performance.  This  research  bridges  the  gap  between  theory  and  practice  in  the  realm  of  MPC  methods,  and  paves  the  way  for  safer,  more  reliable  autonomous  systems  in  high-risk  scenarios.
■590    ▼aSchool  code:  0078.
■650  4▼aAutomobile  racing
■650  4▼aRobust  control
■650  4▼aFailure
■650  4▼aControl  algorithms
■650  4▼aPlanning
■650  4▼aAutonomous  vehicles
■650  4▼aRobots
■650  4▼aDesign
■650  4▼aVisualization
■650  4▼aRobotics
■650  4▼aTransportation
■690    ▼a0771
■690    ▼a0389
■690    ▼a0709
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360354▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서