MARC

 008260126s2024        us                              c    eng  d
■001000017360538
■00520260202105543
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263399399
■035    ▼a(MiAaPQ)AAI32315466
■035    ▼a(MiAaPQ)GeorgiaTech75329
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aAlmubarak,  Hassan.
■24510▼aSafety  Embedded  Optimal  Decision  Making  and  Control  Via  Barrier  States
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a241  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Theodorou,  Evangelos  A.;Sadegh,  Nader.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aAdvancements  in  engineering  and  technologies  are  confronted  with  unprecedented  challenges  to  meet  often  strict  safety  requirements  in  its  various  forms.  Barrier  methods  have  been  successfully  implemented  in  safety-critical  control  tasks  to  enforce  safety.  Nonetheless,  most  of  the  existing  work  in  the  literature  trades  off  between  performance  and  safety  by  relaxing  performance  objectives  or  compromising  safety  or  are  mostly  limited  to  certain  classes  of  dynamical  systems  and  constraints.  The  objective  of  the  proposed  research  is  to  confront  the  trade-off  between  safety  restrictions  and  performance  through  designing  the  appropriate  mathematical  tools  used  to  develop  provably  safe  and  robust  optimal  control  and  planning  for  general  safety-critical  dynamical  systems  and  path  constraints.In  this  thesis,  aiming  to  develop  algorithms  that  efficiently  achieve  safety  and  optimality  simultaneously,  I  first  build  on  the  foundational  work  of  Control  Barrier  Functions  (CBFs)  within  an  optimal  control  framework.  Realizing  the  limitations  of  the  current  form  of  CBFs,  I  then  pursue  the  design  of  embedded  barrier  states  (BaS)  as  a  means  of  integrating  safety  into  performance  objectives.  The  proposed  technique  is  subsequently  used  with  various  robust  control,  optimal  control  and  motion  planning  frameworks  where  it  is  shown  to  be  effective,  efficient  and  flexible  substantially  overcoming  the  limitations  of  existing  work  in  the  literature.  The  proposed  idea  is  integrated  with  various  techniques  such  as  the  nonlinear  quadratic  regulators  (NLQR),  the  State-Dependent  Riccati  Equation  (SDRE)  to  solve  the  safety-critical  infinite  horizon  optimal  control  problem,  the  differential  dynamic  programming  (DDP),  model  predictive  control  (MPC)  and  min-max  game  theoretic  optimal  control  to  develop  novel  algorithms  that  produce  safety-aware  and  robust  control  and  decisions.  Additionally,  the  proposed  model-based  frameworks  are  extended  to  the  data-drive  case  in  which  the  dynamics  of  the  control  system  is  learned  using  Gaussian  processes  to  provide  probabilistic  safety  guarantees.  Finally,  utilizing  recent  advances  in  distributed  optimization,  the  optimal  control  techniques  are  applied  to  solve  large  multi-agent  systems.
■590    ▼aSchool  code:  0078.
■650  4▼aRobots
■650  4▼aEmbedded  systems
■650  4▼aPartial  differential  equations
■650  4▼aDynamic  programming
■650  4▼aSuccess
■650  4▼aClosed  loop  systems
■650  4▼aOrdinary  differential  equations
■650  4▼aControllers
■650  4▼aComputer  science
■650  4▼aMathematics
■650  4▼aRobotics
■690    ▼a0984
■690    ▼a0405
■690    ▼a0771
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360538▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서