Sirvi Autor "Sharma, Basant" järgi

Tulemuste filtreerimiseks trükkige paar esimest tähte
Nüüd näidatakse 1 - 1 1
  • Pisipilt
    listelement.badge.dso-type Kirje , listelement.badge.access-status Avatud juurdepääs ,
    Sample-efficient risk-aware trajectory optimization leveraging maximum mean discrepancy
    (Tartu Ülikooli Kirjastus, 2026-07-08) Sharma, Basant; Singh, Arun Kumar, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
    Doktoritöö käsitleb riskiteadlikku liikumise planeerimist autonoomsetele robotsüsteemidele ebakindlates keskkondades. Peamised väljakutsed on kokkupõrkeriski arvutuslik hindamine (C1) ja valimiefektiivne riskihindamine (C2), eriti olukordades, kus ebakindlus on mitte-Gausslik, multimodaalne või esitatud üksnes valimitena. Töö keskne idee on käsitleda kokkupõrkeriski jaotuste võrdlemise probleemina. Selleks defineeritakse kokkupõrkepiirangu jääk ning mõõdetakse selle kaugust ohutut olukorda kirjeldavast Diraci delta-jaotusest kasutades RKHS-esitusi ja Maximum Mean Discrepancy (MMD) mõõdikut. Lähenemine võimaldab hinnata riski otse valimitest ilma piiravate jaotuseeldusteta. Töö esimene rakendus käsitleb autonoomset sõitu ebakindlate takistustrajektooride korral. Välja töötatud MMD-OPT raamistik kasutab trajektoorivalimeid ja reduced-set mehhanismi, et saavutada väikese valimihulga korral madalam kokkupõrkesagedus kui SAA- ja CVaR-põhised meetodid. Teine rakendus laiendab meetodit stohhastilise dünaamikaga trajektoorioptimeerimisele ja mudelipõhisele ennustavale juhtimisele, kus näidatakse paremat ohutust ja väiksemaid piirangurikkumisi. Kolmas rakendus käsitleb monokulaarset nägemispõhist navigatsiooni, kus õpitakse tõenäosuslik kliirensimudel ning ühendatakse see riskiteadliku juhtimisega. Peamised tulemused on: (1) üldine MMD-põhine riskisurrogaat mitteparameetriliseks riskihindamiseks, (2) reduced-set meetod valimiefektiivsuse parandamiseks, (3) valideerimine kolme erineva ebakindlusallika korral ning (4) järjepidevalt parem ohutus väikese valimihulga režiimis. Töö näitab, et RKHS-il, MMD-l ja reduced-set põhimõttel põhinev raamistik võimaldab ühendada matemaatilise põhjendatuse, arvutusliku efektiivsuse ja praktilise rakendatavuse reaalsetes robotsüsteemides.