MARC

 008260126s2025        us                              c    eng  d
■001000017359355
■00520260202105107
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293892983
■035    ▼a(MiAaPQ)AAI32236716
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aLi,  Jingqi.
■24510▼aTowards  Safe,  Strategic  Multi-Agent  Autonomy:  A  Game-Theoretic  Perspective
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a213  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Tomlin,  Claire  J.;Sojoudi,  Somayeh.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aAs  autonomous  systems  increasingly  operate  in  complex  and  uncertain  environments,  decentralized  decision-making  is  essential  for  ensuring  scalability,  adaptability,  and  resilience.  This  dissertation  integrates  control  theory,  game  theory,  and  reinforcement  learning  to  advance  safe,  efficient,  and  strategic  decision-making  in  multi-agent  systems.  The  contributions  are  organized  into  three  interconnected  themes:  safe  multi-agent  control,  efficient  computation  of  game-theoretic  equilibria,  and  information  asymmetry  management.The  first  theme  focuses  on  safety-critical  policy  learning.  It  introduces  a  certifiable  reachability  learning  framework  based  on  a  novel  Lipschitz-continuous  value  function  that  guarantees  safe  operation.  To  address  safety  constraints  more  flexibly,  an  augmented  Lagrangian  reinforcement  learning  approach  is  proposed,  enabling  efficient  policy  optimization  through  adaptive  penalty  mechanisms.  Building  on  these  methods,  a  layered  architecture  integrates  reachability-based  filters  with  reinforcement  learning  to  resolve  conflicting  constraints  during  multi-agent  coordination.The  second  theme  addresses  the  computational  challenges  of  game-theoretic  decision-making.  It  introduces  efficient  algorithms  for  computing  equilibria  in  dynamic  games,  including  a  primaldual  interior-point  method  for  computing  feedback  Stackelberg  equilibria  and  a  parallelizable  Alternating  Direction  Method  of  Multipliers  (ADMM)  algorithm  for  solving  generalized  Nash  equilibria  in  stochastic  settings.  Leveraging  these  results,  we  apply  stochastic  game  theory  to  energy  systems,  where  we  propose  a  nodal  pricing  mechanism  using  potential  game  structures  to  transform  distributed  coordination  into  tractable  decision  problems.The  third  theme  focuses  on  game-theoretic  decision-making  under  incomplete  information.  It  presents  a  method  for  inferring  agents'  objectives  from  partial  observations  in  feedback  settings,  showing  improved  performance  over  traditional  open-loop  approaches.  Additionally,  it  introduces  an  intent  demonstration  framework  based  on  iterative  linear-quadratic  approximations,  designed  to  strategically  influence  agents'  beliefs  and  enhance  overall  task  performance.Together,  these  contributions  aim  to  provide  a  step  toward  designing  safe,  efficient,  and  strategically  intelligent  multi-agent  systems.  The  proposed  methods  have  potential  applications  in  areas  such  as  autonomous  driving,  aerial  mobility,  distributed  energy  systems,  multi-robot  manipulation,  and  human-robot  collaboration.
■590    ▼aSchool  code:  0028.
■650  4▼aEngineering
■650  4▼aComputer  science
■650  4▼aElectrical  engineering
■653    ▼aControl  theory
■653    ▼aDynamic  game  theory
■653    ▼aMulti-agent  systems
■690    ▼a0537
■690    ▼a0984
■690    ▼a0544
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359355▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서