MARC

 008260126s2025        us                              c    eng  d
■001000017358470
■00520260202104706
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288862847
■035    ▼a(MiAaPQ)AAI32117375
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a001
■1001  ▼aMaheshwari,  Chinmay.
■24510▼aDynamic  Multi-Agent  Autonomous  Systems  for  Societal  Transformation
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a487  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Sastry,  Shankar.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aAutonomous  AI  technologies  are  increasingly  embedded  in  critical  societal  systems,  including  robotics,  transportation,  logistics,  and  energy-where  they  enable  large-scale,  data-driven  decision-making.  While  recent  advances  have  enabled  autonomous  agents  to  perform  effectively  in  isolated  or  structured  environments,  a  fundamental  open  challenge  is  to  integrate  such  agents  into  dynamic,  uncertain,  and  resource-constrained  multi-agent  environments  where  they  must  learn  and  interact  strategically  with  other  autonomous  systems  and  with  humans.  The  emerging  outcomes  not  only  impact  the  individual  utility  but  also  impacts  societal  efficiency,  equity  and  safety.This  dissertation  addresses  the  design  and  analysis  of  intelligent  autonomous  agents  in  such  multi-agent  societal  settings.  It  is  motivated  by  two  central  questions:(1)  How  can  we  design  learning  and  decision-making  algorithms  that  allow  autonomous  agents  to  act  rationally  and  strategically  in  the  presence  of  other  agents?(2)  How  can  we  ensure  that  the  collective  outcomes  of  such  agent  interactions  align  with  broader  societal  goals  such  as  efficiency,  equity,  and  safety?To  answer  these  questions,  the  dissertation  introduces  new  theoretical,  algorithmic,  and  computational  frameworks  for  multi-agent  learning,  decision-making,  and  design  of  multi-agent  interactions  in  societal  systems.  These  contributions  are  organized  into  four  parts,  each  grounded  in  application  domains  that  highlight  key  challenges  and  propose  novel  solutions.Part  I  focuses  on  learning  in  general-sum  Markov  games,  which  model  multi-agent  interactions  in  uncertain,  dynamic  environments.  Unlike  classical  control  or  reinforcement  learning  settings  that  assume  either  fully  cooperative  or  fully  adversarial  interactions,  many  real-world  systems  exhibit  a  mix  of  cooperative  and  competitive  behavior.  To  address  this,  we  propose  a  new  theoretical  framework  of  Markov  near-potential  games,  which  approximates  the  underlying  multi-agent  interaction  using  a  potential  game.  We  leverage  this  framework  to  design  and  analyze  multi-agent  learning  algorithms.  Specifically,  we  use  it  to  design  real-time,  high-performance  strategies  for  autonomous  multi-car  racing  that  outperform  several  existing  baselines.  Additionally,  we  use  the  framework  to  characterize  the  long-run  outcomes  of  interactions  between  decentralized  reinforcement  learning  algorithms,  with  a  focus  on  actor-critic  methods.Part  II  examines  strategic  learning  under  competition  induced  due  to  shared  resource  and  infrastructure  constraints,  including  settings  with  congestion.  The  focus  is  on  domains  such  as  transportation  networks  and  two-sided  matching  markets,  where  agents  compete  over  scarce,  congestible  resources.  This  part  introduces  learning  dynamics  that  achieve  desirable  performance  guarantees-such  as  low  regret  and  equilibrium  convergence-even  when  agents  adapt  based  on  local  observations  and  uncertain  feedback.Part  III  shifts  from  agent-level  optimization  to  designing  mechanisms  to  align  strategic  agent  behavior  with  societal  objectives.  A  key  challenge  here  is  that  agents  may  respond  strategically  to  deployed  mechanisms,  leading  to  distribution  shifts,  while  designers  often  lack  access  to  private  agent  preferences.  This  part  proposes  data-driven  methods  for  design  of  societal  mechanisms  that  remain  robust  to  strategic  behavior  and  result  in  socially  beneficial  outcome.  We  highlight  applications  in  design  of  congestion  pricing  on  road  networks  and  design  of  data-driven  online  services.Part  IV  explores  market  design  for  the  emerging  Advanced  Air  Mobility  (AAM)-a  future  mobility  paradigm  involving  UAVs  and  air  taxis  operating  in  low-altitude  urban  airspace.  Given  the  decentralized  and  adaptive  nature  of  AAM  systems,  traditional  centralized  air  traffic  control  methods  are  inadequate.  This  part  introduces  market-based  mechanisms  for  allocating  trajectories  to  UAVs  with  potentially  heterogeneous  preferences  that  ensure  safety,  fairness,  and  efficiency.Overall,  the  dissertation  offers  new  theoretical  insights,  algorithmic  tools,  and  practical  mechanisms  for  ensuring  that  future  autonomous  systems  are  not  only  efficient  in  maximizing  individual  utility,  but  also  result  in  socially  efficient,  equitable  and  safe  outcomes.
■590    ▼aSchool  code:  0028.
■650  4▼aSystems  science
■650  4▼aApplied  mathematics
■650  4▼aEngineering
■653    ▼aAutonomous  systems
■653    ▼aDynamical  systems
■653    ▼aGame  theory
■653    ▼aMechanism  design
■653    ▼aMulti-agent  learning
■653    ▼aSocietal  systems
■653    ▼aAI  technologies
■690    ▼a0800
■690    ▼a0790
■690    ▼a0364
■690    ▼a0537
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358470▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books