MARC

 008260126s2025        us                              c    eng  d
■001000017358753
■00520260202104747
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290652283
■035    ▼a(MiAaPQ)AAI32149762
■035    ▼a(MiAaPQ)Stanfordzg643rb0595
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a150
■1001  ▼aMoss,  Robert  John.
■24510▼aSafe  Planning  Under  Uncertainty  Using  Surrogate  Models
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a201  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Barrett,  Clark;Kochenderfer,  Mykel.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aTo  make  safe  decisions  in  real-world  environments,  algorithms  must  account  for  the  inherent  uncertainty  in  perception  systems  and  agent  dynamics,  resulting  in  high-dimensional  problems.  The  use  of  surrogate  models  to  replace  hand-crafted  planning  heuristics  and  avoid  running  the  computationally  expensive  true  system  has  shown  promise  in  enabling  large-scale,  safe  planning.  This  thesis  introduces  five  main  contributions  to  address  the  challenges  of  safe  planning  under  uncertainty  and  validation.  To  improve  planning  efficiency  over  beliefs  in  partially  observable  Markov  decision  processes  (POMDPs),  we  introduce  batched  belief-stateMDPs,  which  abstract  belief-state  planning  using  parallelizable  batches  of  the  underlying  models.  This  abstraction  requires  models  that  can  be  easily  parallelized;  therefore,  we  can  learn  surrogate  transition  and  observation  models  from  data  and  propose  the  inversion  variational  autoencoder(I-VAE)  to  sample  from  the  posterior  belief  given  partial  observations.  To  replace  planning  heuristics  and  enable  long-horizon  planning,  we  introduce  BetaZero,  a  policy  iteration  algorithm  that  combines  offline  learning  with  online  belief-state  planning.  Extending  BetaZero  to  safety-critical  problems,  we  propose  ConstrainedZero,  which  solves  chance-constrained  POMDPs  by  optimizing  the  balance  between  utility  and  a  target  level  of  safety.  Finally,  given  a  learned  safe  policy,  we  develop  a  Bayesian  safety  validationmethod  to  estimate  the  failure  probability  of  a  black-box  system  using  probabilistic  surrogate  models.  We  apply  these  algorithms  to  real-world  problems,  including  aircraft  collision  avoidance,  autonomous  aircraft  runway  detection,  safe  carbon  capture  and  storage,  critical  mineral  exploration,  robot  navigation,  and  aerial  wildfire  suppression.
■590    ▼aSchool  code:  0212.
■650  4▼aSuccess
■650  4▼aRobots
■650  4▼aAdaptation
■650  4▼aAviation
■650  4▼aCollisions
■650  4▼aClimate  change
■650  4▼aPilots
■650  4▼aRobotics
■650  4▼aGeology
■650  4▼aAircraft
■650  4▼aCarbon  sequestration
■650  4▼aFailure  analysis
■650  4▼aPlanning
■650  4▼aDecision  making
■650  4▼aNeural  networks
■650  4▼aDesign
■650  4▼aProbability
■690    ▼a0771
■690    ▼a0372
■690    ▼a0389
■690    ▼a0404
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358753▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서