MARC

 008260126s2025        us                              c    eng  d
■001000017360256
■00520260202105329
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263325114
■035    ▼a(MiAaPQ)AAI32307925
■035    ▼a(MiAaPQ)GeorgiaTech78703
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a796.51
■1001  ▼aNetter,  Joshua.
■24512▼aA  Safe  and  Robust  Multi-Agent  Motion  Planning  Framework  for  Urban  Air  Mobility
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a117  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Vamvoudakis,  Kyriakos  G.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aIn  this  dissertation,  we  consider  numerous  challenges  that  face  the  development  of  urban  air  mobility  (UAM).  We  formulate  the  UAM  problem,  and  propose  a  motion  planning  framework  for  a  number  of  cooperating  "player  agents"  in  the  environment.  We  then  propose  a  model-free  method  for  each  player  agent  to  learn  their  optimal  control.  We  continue  by  considering  the  potential  behavior  of  other  agents  in  the  environment,  and  propose  algorithms  for  navigating  around  cooperative,  independent,  and  adversarial  agents.  We  formulate  a  distributed  path  planning  algorithm  for  cooperative  agents  to  safely  reach  their  destinations  while  minimizing  the  chance  of  deadlock.  We  continue  by  constructing  a  cognitive  hierarchy  to  identify  potential  strategies  in  independent  agents  and  identify  these  strategies  using  distributed  Gaussian  process  classification  to  ensure  player  agents  can  avoid  these  independent  agents.  Last,  we  demonstrate  an  algorithm  to  predict  if  any  of  these  independent  agents  are  adversarial  agents  pursuing  our  player  agents  and  formulate  a  motion  planning  approach  to  avoid  these  potential  adversaries.  The  efficacy  of  this  complete  motion  planning  algorithm  is  shown  in  numerous  simulations.We  also  consider  the  challenges  of  modeling  the  constraints  present  on  a  UAV  system.  Given  some  amount  of  "quantities  of  interest"  (QoIs),  we  propose  an  efficient  method  to  learn  a  binary  "go/no-go"  classifier  by  selecting  informative  training  points  via  a  soft  actor/critic  (SAC)  framework  to  minimize  simulation  runtime  during  the  system's  design.  We  continue  on  to  use  the  learned  actor-critic  to  augment  target  system  inputs  in  order  to  ensure  safety  online.  We  also  incorporate  this  actor-critic  with  our  previous  method  of  model-free  optimal  control  to  drive  our  learned  optimal  control  away  from  constraints  online.  Finally,  we  use  the  learned  actor-critic  to  make  online  observations  of  the  system,  and  predict  if  the  system  is  faulty  or  unsafe  due  to  hardware  failure  or  an  attack.  The  efficacy  of  both  our  informed  sampling  approach  to  train  a  binary  classifier,  as  well  as  actor-critic  framework's  potential  online  uses,  are  shown  in  simulations.
■590    ▼aSchool  code:  0078.
■650  4▼aTrails
■650  4▼aRobots
■650  4▼aDesign
■650  4▼aDrones
■650  4▼aRationality
■650  4▼aPlanning
■650  4▼aAerial  surveying
■650  4▼aRobotics
■690    ▼a0389
■690    ▼a0771
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360256▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서