MARC

 008260126s2025        us                              c    eng  d
■001000017360453
■00520260202105528
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263343958
■035    ▼a(MiAaPQ)AAI32309802
■035    ▼a(MiAaPQ)GeorgiaTech77830
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a153.8
■1001  ▼aBehrendt,  Gabriel.
■24510▼aDistributed  and  Time-Varying  Optimization  for  Autonomy  and  Decision-Making
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a206  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Hale,  Matthew.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aAs  the  use  of  autonomous  agents  expands,  agents  are  being  tasked  with  completing  more  complex  tasks  in  increasingly  challenging  environments.  To  complete  these  tasks  agents  must  make  decisions  with  limited  information  and  onboard  resources  such  as  low  computational  power  and  inexpensive  measurement  units.  One  prevailing  method  to  mitigate  these  challenges  is  to  generate  a  solution,  i.e.,  a  reference  trajectory,  beforehand  and  then  design  a  control  law  for  the  agents  to  track  the  a  priori  generated  solution.  Typically,an  optimization  algorithm  uses  a  priori  known  data  and  dynamic  models  to  generate  the  offline  solution.  However,  in  some    environments  it  may  not  be  possible  to  generate  a  solution  offline.  For  example,  we  cannot  generate  offline  optimal  trajectories  for  agents  to  navigate  an  unmapped  cave  system  in  a  search  and  rescue  mission.  One  approach  that  has  been  proposed  to  enable  agents  to  make  decisions  online  is  to  use  an  optimization  algorithm  with  in  the  control  loop.  However,  vital  questions  arise  regarding  stability,  performance,  and  implement  ability  when  proposing  to  use  optimization  in-the-loop.  Therefore,  this  dissertation  addresses  some  of  these  challenges  that  arise  when  considering  optimization  in-the-looponboard  agents  with  limited  information  and  onboard  resources.In  the  first  part  of  this  dissertation,  we  propose  distributed  algorithms  to  track  the  solutions  of  several  classes  of  time-varying  optimization  problems  which  arise  from  the  use  of  optimization  in-the-loop  in  multi-agent  settings.  In  particular,  we  show  that  there  exist  op-timization  problems  interconnected  with  dynamic  systems  such  that  we  can  implement  our  distributed  algorithm  to  drive  the  dynamic  system  to  a  stable  operating  point.  Furthermore,  we  derive  tracking  bounds  which  quantify  the  performance  of  our  distributed  algorithms  on  several  classes  of  time-varying  optimization  problems.  We  show  that  these  algorithms  can  account  for  limited  onboard  capabilities  and  operate  with  limited  information  from  the  net-work.  In  the  second  part  of  this  dissertation,  we  address  the  challenge  of  implement  ability  of  optimization  in-the-loop  by  running  experiments  on  a  space-grade  processor  for  relevant  problems  in  the  space  domain.  Namely,  we  propose  a  computationally  constrained  model  predictive  control  strategy  for  the  autonomous  satellite  docking  problem  which  explicitly  accounts  for  limited  computational  capabilities.
■590    ▼aSchool  code:  0078.
■650  4▼aMotivation
■650  4▼aSatellites
■650  4▼aOptimization  algorithms
■650  4▼aAutonomous  vehicles
■650  4▼aDecision  making
■650  4▼aAltitude
■650  4▼aRobotics
■650  4▼aAerospace  engineering
■650  4▼aTransportation
■690    ▼a0771
■690    ▼a0538
■690    ▼a0800
■690    ▼a0709
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360453▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books