Singh, Arun Kumar, juhendajaSharma, BasantTartu Ülikool. Loodus- ja täppisteaduste valdkond2026-07-082026-07-082026-07-08978-9908-57-292-5978-9908-57-291-8 (pdf)2228-08552806-2620 (pdf)https://hdl.handle.net/10062/123252Doktoritöö elektrooniline versioon ei sisalda publikatsiooneDoktoritöö 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.This dissertation addresses risk-aware motion planning for autonomous robots operating under uncertainty. The two central challenges are computationally tractable collision-risk estimation (C1) and sample-efficient risk evaluation (C2), particularly when uncertainty is non-Gaussian, multimodal, or available only through samples. The key idea is to formulate collision risk as a distribution-comparison problem. A collision-constraint residual is defined and its distribution is compared against a Dirac delta distribution representing perfect safety using Reproducing Kernel Hilbert Space (RKHS) embeddings and the Maximum Mean Discrepancy (MMD) metric. This enables direct risk estimation from samples without restrictive distributional assumptions. The first application considers autonomous driving with uncertain obstacle trajectories. The proposed MMD-OPT framework uses trajectory samples and a reduced-set mechanism to achieve lower collision rates than SAA- and CVaR-based approaches in low-sample regimes. The second application extends the framework to trajectory optimization and model predictive control under stochastic dynamics, demonstrating improved safety and fewer constraint violations. The third application focuses on monocular vision-based navigation, where a probabilistic clearance model is learned and integrated with risk-aware control. The main contributions are: (1) a general MMD-based risk surrogate for nonparametric collision-risk estimation, (2) a reduced-set mechanism for improved sample efficiency, (3) validation across three uncertainty sources—obstacle prediction, stochastic dynamics, and monocular perception—and (4) consistently improved safety in low-sample settings. Overall, the dissertation demonstrates that an RKHS-, MMD-, and reduced-set-based framework can combine theoretical rigor, computational efficiency, and practical applicability for safe decision-making in real-world robotic systems.enAttribution-NonCommercial-NoDerivs 3.0 Estoniahttp://creativecommons.org/licenses/by-nc-nd/3.0/ee/doktoritöödThesis