Akuamoah Boateng, KwasiTartu Ülikool. Loodus- ja täppisteaduste valdkondTartu Ülikool. Tehnoloogiainstituut2026-04-262026-04-262025https://hdl.handle.net/10062/120642Ohutu navigeerimine keerukates keskkondades on autonoomsete droonide jaoks oluline väljakutse. Lõputöö tutvustab uudset riskiteadlikku planeerimise raamistikku, mis võimaldab droonidel teha arukamaid ja ohutumaid otsuseid. Raamistiku tuum hõlmab uuenduslikku närvivõrkude ansamblimudelit, mis koosneb punktipilvede töötlemiseks mõeldud PointNetist ja Gaussi jaotusel põhinevatest mitmekihilistest tajuritest (MLP), et pakkuda tõenäosuslikke ennustusi takistuste kauguste ja nendega seotud määramatuste kohta. Koos kiirenduse muutumise juhitud trajektoori mudeliga kasutab süsteem tingimuslikku riski väärtust (CVaR) ja rist-entroopia optimeerimise meetodit riskantsete trajektooride intelligentseks kvantifitseerimiseks ja leevendamiseks. See võimaldab droonil enesekindlalt navigeerida, tasakaalustades optimaalselt missiooni eesmärke ja riski. Simulatsiooni tulemused kinnitavad esitatud raamistiku tõhusust.Navigating complex environments safely is a critical challenge for autonomous drones. This thesis introduces a novel risk-aware planning framework that empowers drones to make smarter, safer decisions. At its core, the framework utilizes an innovative ensemble of neural networks (integrating PointNet, a point cloud processing network, and Gaussian policy-based Multi- Layer Perceptron (MLP) structures) to deliver probabilistic predictions of obstacle distances and their associated uncertainties. Coupled with a jerk-controlled trajectory model, the system leverages Conditional Value-at-Risk (CVaR) and a cross-entropy optimization method to intelligently quantify and mitigate risky trajectories. This allows the drone to confidently navigate by optimally balancing mission objectives against this principled risk measure. Simulation results demonstrate the effectiveness of the proposed framework.enAttribution-NonCommercial-NoDerivs 3.0 Estoniahttp://creativecommons.org/licenses/by-nc-nd/3.0/ee/risk-aware planningprobabilistic roboticsneural networkstrajectory optimizationuncertainty quantificationautonomous navigationobstacle avoidance, jerk-controlled modelcross-entropy optimizationmotion primitivessimulation.magistritöödThesis