Safety-Aware Autonomous Systems : Preparing Robots for Life in the Real World

Abstract

Konkret presenterar avhandlingen nya sätt att effektivt realisera säker rörelseplanering och säker exekvering av rörelseplaner i geometriskt komplexa och dynamiska miljöer. Detta genom att kombinera optimal styrning, AI-planering, robust maskininlärning och automatisk slutsatsdragning över osäkra signaler. Experiment har utförts på riktiga och simulerade DJI M100 (quadcopter), men metoden är generell och beror inte på om roboten flyger, åker eller går. Avhandlingen går även in på hur man genom kombination av probabilistisk maskininlärning och formell runtime-verifiering kan göra autonoma system säkrare och robustare, exempelvis genom att identifiera anomalier så som hårdvaruförsämring, för stark vind, illasinnat övertagande och oförutsägbarhet av eget och andras beteenden. Dessa metoder möjliggör övervakning av att systemet förblir konsekvent (och säkert), mellan exempelvis perception, förväntan, beslut, planering och handling. Målet med avhandlingen är att bidra till en säkrare och pålitligare användning av autonoma system i vår värld, genom design av säkerhetsmedvetna autonoma system.