MARC

 008260126s2022        us                              c    eng  d
■001000017360531
■00520260202105542
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263397098
■035    ▼a(MiAaPQ)AAI32315292
■035    ▼a(MiAaPQ)GeorgiaTech72459
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a515.353
■1001  ▼aSun,  Haodong.
■24510▼aOptimal  Motion  Planning  and  Computational  Optimal  Transport
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2022
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2022
■300    ▼a106  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Kang,  Sung  Ha;Zhou,  Haomin.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2022.
■520    ▼aIn  many  real  life  problems,  the  decision  making  process  is  guided  by  the  principle  of  cost  minimization.  In  this  thesis,  we  focus  on  analyzing  the  theoretical  properties  and  designing  computational  methods  under  the  framework  of  several  classical  cost  minimization  problems,  including  optimal  motion  planning  and  optimal  transport  (OT).  Over  the  past  decades,  motion  planning  has  attracted  large  amount  of  attention  in  robotics  applications.  Given  certain  configurations  in  the  environment,  we  are  looking  for  trajectories  which  move  the  robot  from  one  to  the  other.  To  produce  high-quality  trajectories,  we  propose  a  new  computational  method  to  design  smooth  and  collision-free  trajectories  for  motion  planning  task  with  one  or  more  robots.  The  functional  cost  used  to  model  the  energy  consumption  leads  to  short  and  smooth  trajectories  and  the  parameter  in  model  provides  extra  flexibility  in  use.  The  designed  method  can  be  generalized  to  problems  with  multiple  robots.The  idea  of  optimal  transport  naturally  arises  from  many  application  scenarios  including  economy,  computer  science,  etc.  Optimal  transport  provides  powerful  tools  for  comparing  probability  measures  in  various  types.  However,  obtaining  the  optimal  transport  plan  is  generally  a  computationally-expensive  task.  We  start  with  an  entropy  transport  problem  as  a  relaxed  version  of  original  optimal  transport  problem  with  soft  marginals,  and  propose  an  efficient  algorithm  to  produce  sample  approximation  for  the  optimal  transport  plan.  This  method  can  directly  output  samples  from  optimal  plan  between  two  continuous  marginals  with  known  densities  without  any  discretization  and  network  training.  An  inverse  problem  of  OT  is  also  of  our  interest.  Given  the  decision  we  make,  i.e.  the  optimal  transport  plan,  can  we  infer  the  cost  function  we  originally  follow  when  we  compute  this  transport  plan?  We  study  an  inverse  problem  of  OT  and  present  a  computational  framework  for  learning  the  cost  function  from  the  given  optimal  transport  plan.  The  cost  learning  problem  is  reformulated  as  an  unconstrained  convex  optimization  problem  and  two  efficient  algorithms  are  proposed  for  discrete  and  continuous  cost  learning.
■590    ▼aSchool  code:  0078.
■650  4▼aInverse  problems
■650  4▼aPlanning
■650  4▼aNeural  networks
■650  4▼aRobots
■650  4▼aConvex  analysis
■650  4▼aDesign
■650  4▼aEnergy  consumption
■650  4▼aEntropy
■650  4▼aRobotics
■650  4▼aMathematics
■690    ▼a0771
■690    ▼a0389
■690    ▼a0800
■690    ▼a0405
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2022
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360531▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서