MARC

 008260126s2024        us                              c    eng  d
■001000017360305
■00520260202105504
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263324872
■035    ▼a(MiAaPQ)AAI32307977
■035    ▼a(MiAaPQ)GeorgiaTech78556
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a500
■1001  ▼aKokolakis,  Nick  Marios.
■24510▼aFixed-time  Reinforcement  Learning-based  Control  for  Safe  Autonomy
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a198  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Vamvoudakis,  Kyriakos  G.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aExploiting  the  benefits  of  learning  can  enhance  the  performance  and  ensure  the  safety  of  autonomous  systems  in  complex  and  unknown  environments.  Nonetheless,  existing  safe  learning  architectures  lack  finite  time  convergence  guarantees,  rendering  these  algorithms  impractical  for  real-world  applications.  In  this  dissertation,  we  enable  safe  autonomy  by  endowing  autonomous  systems  with  safety-critical  control  frameworks  predicated  on  online  reinforcement  learning  mechanisms  with  fixed-time  convergence  guarantees.  Specifically,  we  develop  a  safe  pursuit-evasion  game  for  enabling  finite-time  capture,  optimal  performance,  and  adaptation  to  an  unknown  cluttered  environment.  Then,  we  leverage  ideas  from  behavioral  game  theory  to  construct  a  learning-based  evader  assignment  algorithm  to  address  the  problem  of  multiple  bounded  rational  pursuers  against  multiple  bounded  rational  evaders,  wherein  the  assignment  is  performed  based  on  the  agent  rationality  level.  Subsequently,  we  design  an  online  reinforcement  learning  architecture  with  fixed-time  convergence  guarantees  to  address  the  optimal  fixed-time  stabilization  problem.  Finally,  we  address  a  safety-critical  control  problem  using  reachability  analysis  and  design  an  online  reinforcement  learning-based  mechanism  for  learning  the  solution  to  the  safety-critical  control  problem  in  a  fixed  time.
■590    ▼aSchool  code:  0078.
■650  4▼aKinematics
■650  4▼aGraph  representations
■650  4▼aDecision  making
■650  4▼aControllers
■650  4▼aAdaptation
■650  4▼aUnmanned  aerial  vehicles
■650  4▼aRationality
■650  4▼aDynamical  systems
■650  4▼aVisualization
■650  4▼aGames
■650  4▼aAerospace  engineering
■650  4▼aMathematics
■650  4▼aRobotics
■690    ▼a0800
■690    ▼a0538
■690    ▼a0405
■690    ▼a0771
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360305▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books