MARC

 008260126s2025        us                              c    eng  d
■001000017357334
■00520260202103209
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315741718
■035    ▼a(MiAaPQ)AAI32000711
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aPatrikar,  Jay.
■24510▼aRethinking  the  Safety  Case  for  Risk-Aware  Social  Embodied  Intelligence
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a156  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Scherer,  Sebastian.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2025.
■520    ▼aAchieving  real-world  robot  safety  requires  more  than  avoiding  risk-it  demands  embracing  and  managing  it  effectively.  This  thesis  presents  a  safety  case  for  risk-aware  decision-making  and  behavior  modeling  in  complex,  multi-agent  environments  such  as  aviation  and  autonomous  driving.  We  argue  that  safety  stems  from  an  agent's  ability  to  anticipate  uncertainty,  reason  about  intent,  and  act  within  operational  boundaries  defined  by  prior  knowledge,  rules  of  the  road,  social  context,  and  historical  precedent.To  enable  safe  and  interpretable  decision-making,  we  integrate  MCTS  with  logic  specification  to  improve  rule  adherence  into  learned  policies  for  both  single  and  multi-agent  settings.  We  develop  symbolic  rule-mining  methods  using  inductive  logic  programming,  extracting  interpretable  constraints  from  both  trajectories  and  crash  reports.  To  address  out-of-distribution  risk,  we  propose  a  fusion  framework  that  combines  neural  imitation  learning  with  symbolic  rule-based  systems.  Finally,  to  mitigate  modelling  risks  we  will  talk  about  combining  RAG  with  crash  reports  for  grounded  action  arbitrations  in  complex  settings.To  support  learning  from  real-world  behavior  within  aviation,  we  introduce  three  datasets:  TrajAir,  a  social  aerial  navigation  dataset;  TartanAviation,  a  time-synced  multimodal  dataset  for  intent  inference;  and  Amelia-48,  a  large-scale  airport  surface  movement  dataset  across  U.S.  airports,  enabling  predictive  analytics  in  air  traffic  management.Together,  these  contributions  and  the  tools  developed  along  the  way  enable  autonomous  systems  to  reason  under  uncertainty,  incorporate  diverse  priors,  and  operate  reliably  in  complex,  real-world  settings.
■590    ▼aSchool  code:  0041.
■650  4▼aRobotics
■650  4▼aAerospace  engineering
■653    ▼aAir  traffic  management
■653    ▼aAviation
■653    ▼aNeurosymbolic  AI
■653    ▼aSocial  navigation
■653    ▼aTrajectory  prediction
■653    ▼aUncertainty  quantification
■690    ▼a0771
■690    ▼a0538
■690    ▼a0800
■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=T17357334▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books