MARC

 008260126s2025        us                              c    eng  d
■001000017357756
■00520260202103556
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288862083
■035    ▼a(MiAaPQ)AAI32042064
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aLi,  Chenran.
■24510▼aIntegration  of  Learning-Based  and  Model-Based  Autonomy:  From  System  Modeling  to  Control  Policy
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a164  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Tomizuka,  Masayoshi.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aAutonomous  systems  operating  in  dynamic,  uncertain,  and  socially  interactive  environments  must  effectively  integrate  learning-based  and  model-based  methods,  while  reconciling  data-driven  and  reward-driven  objectives.  Learning-based  approaches  offer  flexibility  and  scalability  but  often  suffer  from  brittleness  under  distribution  shifts.  Model-based  methods  provide  robustness  and  predictive  foresight,  yet  face  challenges  in  modeling  complex,  high-dimensional  dynamics.  Similarly,  data-driven  policies  trained  from  demonstrations  may  lack  adaptability  to  new  objectives,  while  reward-driven  optimization  can  be  inefficient  and  unstable  without  strong  priors.This  dissertation  addresses  these  challenges  by  proposing  a  set  of  approaches  that  combine  predictive  modeling  with  residual  Q-learning  frameworks  to  enhance  the  robustness  and  adaptability  of  autonomous  systems.  At  a  high  level,  the  work  builds  methods  that  enable  autonomous  agents  to  extract  structured  models  from  data,  predict  and  reason  about  dynamic  environments,  and  flexibly  adapt  their  behavior  to  changing  objectives  without  discarding  prior  knowledge.The  first  part  of  the  dissertation  focuses  on  building  models  from  data  to  support  reliable  estimation  and  planning.  We  develop  a  dual  estimation  framework  that  jointly  estimates  latent  system  states  and  time-varying  dynamic  parameters  in  real  time,  enabling  adaptive  model-based  control  under  changing  conditions.  Additionally,  we  propose  a  game-theoretic  planning  framework  that  incorporates  predictive  heuristics  into  Monte  Carlo  Tree  Search,  allowing  the  agent  to  reason  about  socially  compliant  interactions  while  maintaining  computational  efficiency  in  multi-agent  environments.The  second  part  of  the  dissertation  introduces  residual  Q-learning  as  a  principled  mechanism  for  integrating  data-driven  behaviors  with  reward-driven  adaptation.  We  formulate  the  policy  customization  problem  and  propose  Residual  Q-learning,  a  method  that  enables  policies  to  adapt  to  new  task  objectives  without  requiring  access  to  the  original  reward  signals.  We  extend  residual  Q-learning  to  policy  gradient  methods,  developing  a  unified  structure  that  connects  data-driven  and  reward-driven  objectives.  Finally,  we  integrate  residual  Q-learning  into  model-predictive  path  integral  control,  enabling  fast,  adaptive  continuous  control  by  combining  learned  priors  with  real-time  model-based  optimization.Through  these,  the  dissertation  advances  scalable,  adaptable,  and  robust  decision-making  frameworks  for  autonomous  systems,  bridging  the  gap  between  offline  learning  and  real-world  deployment.
■590    ▼aSchool  code:  0028.
■650  4▼aMechanical  engineering
■650  4▼aComputer  science
■650  4▼aRobotics
■653    ▼aBehavior  modeling
■653    ▼aImitation  learning
■653    ▼aPlanning
■653    ▼aReinforcement  learning
■690    ▼a0548
■690    ▼a0984
■690    ▼a0771
■690    ▼a0800
■71020▼aUniversity  of  California,  Berkeley▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357756▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서