MARC

 008260126s2025        us                              c    eng  d
■001000017359399
■00520260202105114
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293893638
■035    ▼a(MiAaPQ)AAI32237275
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aTuck,  Victoria  Marie.
■24510▼aFrom  Local  Coordination  to  System-Level  Strategies:  Designing  Reliable,  Societal-Scale  Multi-Agent  Autonomy  Across  Scales
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a139  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  A.
■500    ▼aAdvisor:  Sastry,  S.  Shankar;Seshia,  Sanjit  A.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aMulti-agent  Cyber-Physical  Systems  (CPS)  arise  in  many  mobility  applications  including  autonomous  vehicles,  delivery  robots,  Humanitarian  Aid  and  Disaster  Relief  (HADR),  and  advanced  air  travel.  Companies  delivering  healthcare  supplies  via  drone  and  operating  robots  in  hospital  environments  show  the  ability  of  such  technologies  to  be  transformative  for  society.  However,  improperly  designed  systems  can  lead  to  lack  of  public  trust,  misuse,  and  safety  issues  hindering  their  adoption.  These  systems  must  often  function  in  dynamic,  crowded,  and  resource-constrained  environments  where  agents  interact  in  varied  and  complex  ways.  Additionally,  in  a  future  where  manufacturing,  home  service,  or  hospital  robots  are  not  just  programmed  to  do  one  task  repeatedly  but  are  instead  imbued  with  language  understanding  capabilities  such  that  they  can  continuously  process  new  tasks  on-demand  to  complete  a  variety  of  tasks,  being  able  to  handle  these  on-demand  requests  and  support  life-long  operation  will  be  vital.In  this  thesis,  we  first  introduce  an  organization  of  different  types  of  multi-agent  interactions  called  the  Societal  System  Stack  (S3).  Local  coordination  between  agents,  e.g.,  for  collision  avoidance,  is  at  the  lowest  layer.  Groups  of  agents  existing  as  firms  and  coordinating  task  assignment  among  the  agents  is  at  the  middle  layer.  At  the  top,  we  have  multiple  firms  (groups  of  agents)  competing  for  constrained  resources.  For  example,  in  an  advanced  air  mobility  setting,  UAVs  need  to  avoid  one  another  (lowest  layer),  UAV  firms  need  to  assign  flight  requests  to  individual  aircraft  (middle  layer),  and  firms  need  to  compete  for  limited  airspace  and  flight  path  availability  (highest  layer).In  Part  I,  we  present  three  algorithms  for  coordination  -  each  coordinating  agents  at  a  different  layer  of  the  stack.  At  the  lowest  level,  we  present  a  safe  multi-agent  planning  algorithm  for  agents  with  line-of-sight  communication  constraints  in  environments  with  axis-aligned  obstacles.  At  the  middle  level,  we  propose  a  sound  and  complete  algorithm  to  the  Multi-Robot  Task  Allocation  (MRTA)  problem  for  a  dynamic  stream  of  tasks  with  task  deadlines  and  capacitated  agents  (capacity  for  more  than  one  simultaneous  task).  We  show  that  leveraging  incremental  solving  capabilities  of  Satisfiability  Modulo  Theories  (SMT)  solvers  in  a  subset  of  cases  can  significantly  reduce  solve  time.  For  the  upper  level,  we  develop  a  market  mechanism  for  handling  time  and  space  resource  allocation  in  advanced  air  mobility  settings  that  maintains  private  agent  valuations.  These  algorithms  all  support  the  ability  to  handle  the  on-demand  requests  important  for  next-generation  societal  applications.However,  layers  of  the  Societal  System  Stack  do  not  exist  in  isolation.  Therefore,  in  Part  II,  we  discuss  questions  that  arise  when  layers  interact  and  study  one  such  interaction  of  layers  -  between  agent  task  assignment  and  agent-to-agent  coordination.  Towards  this  end,  we  introduce  a  new  simulation  tool  to  benchmark  MRTA,  planning,  and  control  algorithms  in  an  open-world  simulation  environment.  With  this  tool,  users  can  study  questions  that  exist  between  the  layers,  e.g.,  "How  does  my  collision  and  deadlock  avoidance  algorithm  function  when  agents  are  being  assigned  tasks  online?".  We  conclude  with  directions  of  future  study  which  center  on  inter-layer  coordination  with  an  emphasis  on  uncertainty  quantification  and  incorporating  novel  AI/ML  technologies  such  as  Large-Language  Models  (LLMs)  and  Vision-Language-Action  (VLA)  models.
■590    ▼aSchool  code:  0028.
■650  4▼aRobotics
■650  4▼aComputer  science
■650  4▼aInformation  technology
■650  4▼aTransportation
■653    ▼aFormal  methods
■653    ▼aMechanism  design
■653    ▼aMulti-agent  planning
■653    ▼aMulti-agent  systems
■653    ▼aMulti-agent  task  allocation
■653    ▼aSocietal  systems
■690    ▼a0771
■690    ▼a0984
■690    ▼a0489
■690    ▼a0709
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g87-04A.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359399▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서