MARC

 008260126s2025        us                              c    eng  d
■001000017357420
■00520260202103509
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315741534
■035    ▼a(MiAaPQ)AAI32003168
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aMoon,  Brady.▼0(orcid)0000-0003-4297-3938
■24510▼aInformative  Path  Planning  Toward  Autonomous  Real-World  Applications
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a230  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Scherer,  Sebastian.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2025.
■520    ▼aGathering  information  from  the  physical  world  is  critical  for  applications  such  as  scientific  research,  environmental  monitoring,  search  and  rescue,  defense,  and  disaster  response.  Autonomous  robots  provide  significant  advantages  for  information  gathering,  particularly  in  situations  where  human  access  is  constrained,  hazardous,  or  impractical.  By  leveraging  intelligent  algorithms,  these  robots  can  efficiently  collect  data,  enhancing  decision-making  and  accelerating  insights.  Informative  Path  Planning  (IPP)  plays  a  key  role  in  maximizing  the  effectiveness  of  robotic  information  gathering  by  generating  paths  that  optimize  data  collection  while  respecting  operational  constraints.This  thesis  advances  autonomous  information  gathering  by  addressing  three  key  challenges:  (1)  solving  IPP  problems  in  high-dimensional  spaces  with  complex  sensor  constraints,  (2)  incorporating  real-world  disturbances  and  risk  into  the  planning  framework,  and  (3)  improving  and  leveraging  world  belief  models.  First,  we  introduce  IA-TIGRIS,  an  adaptive,  incremental  sampling-based  planner  that  efficiently  computes  long-horizon  information-gathering  paths  while  respecting  vehicle  motion  constraints  and  non-trivial  sensor  footprints.  We  validate  the  planner  through  extensive  simulations  and  real-world  field  tests  on  multiple  unmanned  aerial  vehicle  (UAV)  platforms.  Second,  we  develop  a  real-time  wind  field  estimation  method  using  onboard  UAV  measurements,  a  time-optimal  path  planner  for  UAVs  in  wind,  and  a  deep  learning-based  energy  risk  assessment  framework  to  quantify  flight  risk  under  uncertain  environmental  conditions.  Third,  we  propose  a  new  belief  representation  for  search  and  tracking,  along  with  planning  approaches  that  incorporate  human-inspired  heuristics  and  predictive  belief  models.The  proposed  methods  are  validated  through  a  combination  of  simulation  studies  and  extensive  field  deployments,  contributing  to  the  development  of  robust,  real-world-ready  autonomous  systems.  We  demonstrate  their  effectiveness  across  diverse  planning  scenarios  and  on  multiple  UAV  platforms,  including  both  fixed-wing  and  multirotor  systems.  While  the  primary  focus  is  on  robotic  information  gathering,  the  underlying  algorithms  generalize  to  broader  applications  such  as  robotic  exploration,  active  perception,  target  tracking,  and  multi-agent  coordination.
■590    ▼aSchool  code:  0041.
■650  4▼aRobotics
■650  4▼aEngineering
■650  4▼aComputer  science
■653    ▼aAutonomous  systems
■653    ▼aField  robotics
■653    ▼aInformative  Path  Planning
■653    ▼aSensor  footprints
■653    ▼aUnmanned  aerial  vehicle
■690    ▼a0771
■690    ▼a0984
■690    ▼a0800
■690    ▼a0537
■71020▼aCarnegie  Mellon  University▼bRobotics  Institute.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357420▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books