• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Doctoral Thesis
DOI
10.11606/T.18.2018.tde-06072018-112445
Document
Author
Full name
Fernando Henrique Morais da Rocha
Institute/School/College
Knowledge Area
Date of Defense
Published
São Carlos, 2018
Supervisor
Committee
Grassi Junior, Valdir (President)
Caurin, Glauco Augusto de Paula
Siqueira, Adriano Almeida Gonçalves
Souza, Alberto Ferreira de
Wolf, Denis Fernando
Title in Portuguese
Aprendizado Bayesiano aplicado ao controle de veículos autônomos de grande porte
Keywords in Portuguese
Otimização Bayesiana
Processos Gaussianos
Veículos autônomos
Abstract in Portuguese
O tópico de identificação de sistemas aparece em vários ramos da ciência, com especial importância ao campo de Controle Automático. Entretanto, os problemas encontrados na construção de uma representação precisa de um sistema, como a falta de informações prévias, e as diversas decisões de projeto que devem ser tomadas para a resolução de problemas de identificação de sistemas por meios mais tradicionais, podem ser solucionados através da análise empírica do sistema. Nesse sentido, os processos Gaussianos apresentam-se como uma alternativa viável para a modelagem não-paramétrica de sistemas, trazendo a vantagem da estimação da incerteza do modelo. Para verificar o potencial dos processos Gaussianos em problemas de identificação de sistemas, foi realizada a identificação do modelo longitudinal de um veículo de grande porte, tendo alcançado um desempenho satisfatório, mesmo quando se utilizou poucos dados de treinamento. A partir do modelo aprendido, foi projetado um controlador preditivo baseado em modelo para controlar a velocidade do veículo. O controlador levou em consideração a variância da predição do modelo GP (Gaussian Process - Processos Gaussianos) em consideração durante o processo de otimização do sinal de controle. O controlador proposto alcançou um baixo erro no seguimento da referência, mesmo em situações extremas, como estradas íngremes. Entretanto, em alguns tipos de problemas, o resultado só pode ser mensurado a partir da combinação de uma sequência de ações, ou sinais de controle, aplicados ao longo da execução do processo, como é o caso do problema de direção ecológica (eco-driving). Nesses casos, estratégias que otimizem sinais de controle instantâneos podem não ser viáveis, sendo necessária a utilização de estratégias em que toda a política de controle seja otimizada de uma vez. Além disso, a avaliação do custo, ou execução de todo um episódio do processo, pode ser dispendiosa, é desejável que uma solução seja encontrada com a menor quantidade de interações possíveis com o sistema real. Uma técnica apropriada para essa situação é a Otimização Bayesiana, um algoritmo de otimização caixa-preta bastante eficiente. Porém, um dos problemas dessa solução é a incapacidade de lidar com um grande número de dimensões. Sendo assim, nesse trabalho, foi proposto o Coordinate Descent Bayesian Optimisation, um algoritmo baseado na Otimização Bayesiana, que busca o ótimo em espaços de alta dmensionalidade de maneira mais eficiente pois otimiza cada dimensão individualmente, em um esquema de descida coordenada.
Title in English
Bayesian learning applied to the control of heavy-duty autonomous vehicles
Keywords in English
Active modelling
Gaussian process
System identification
Abstract in English
The system identification topic appears in various branches of science, with particular emphasis on Automatic Control field. However, problems encountered in building an accurate representation of a system, such as lack of prior information, and the various design decisions which have to be taken to deal with system identification problems by more traditional means, can be solved through the empirical analysis of the system. In this sense, the Gaussian processes are presented as a viable alternative for non-parametric modelling systems, bringing the advantage of estimating the uncertainty of the model. To investigate the potential of Gaussian processes of system identification problems, identifying the longitudinal model of a large vehicle was performed, achieving reasonable performance even when used little training data. From the obtained model, a Model Predictive Controller was designed to control the vehicle speed. The controller took into account the variance of the GP model prediction on the control signal optimization and achieved low reference tracking error, even on hard conditions, like steep roads. However, in some kinds of problems, the observable outcome can often be described as the combined effect of an entire sequence of actions, or controls, applied throughout its execution. In these cases, strategies to optimise control policies for individual stages of the process might not be applicable, and instead the whole policy might have to be optimised at once. Also, the cost to evaluate the policy's performance might also be high, being desirable that a solution can be found with as few interactions with the real system as possible. One appropriate candidate is Bayesian Optimization, a very efficient black-box optimization algorithm. But one of the main problems of this solution is the inability of dealing with a large number of dimensions. For that reason, in this work it was proposed Coordinate Descent Bayesian Optimisation, an algorithm to search more efficiently over high-dimensional policy-parameter spaces with BO, by searching over each dimension individually, in a sequential coordinate descent-like scheme.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Fernando.pdf (6.04 Mbytes)
Publishing Date
2018-07-17
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2019. All rights reserved.