Advanced search options

Advanced Search Options 🞨

Browse by author name (“Author name starts with…”).

Find ETDs with:

in
/  
in
/  
in
/  
in

Written in Published in Earliest date Latest date

Sorted by

Results per page:

Sorted by: relevance · author · university · dateNew search

You searched for subject:(Human navigation behaviors). Showing records 1 – 2 of 2 total matches.

Search Limiters

Last 2 Years | English Only

No search limiters apply to these results.

▼ Search Limiters


University of Texas – Austin

1. -8073-3276. Parameterized modular inverse reinforcement learning.

Degree: MSin Computer Sciences, Computer Science, 2015, University of Texas – Austin

Reinforcement learning and inverse reinforcement learning can be used to model and understand human behaviors. However, due to the curse of dimensionality, their use as a model for human behavior has been limited. Inspired by observed natural behaviors, one approach is to decompose complex tasks into independent sub-tasks, or modules. Using this approach, we extended earlier work on modular inverse reinforcement learning, and developed what we called a parameterized modular inverse reinforcement learning algorithm. We first demonstrate the correctness and efficiency of our algorithm in a simulated navigation task. We then show that our algorithm is able to estimate a reward function and discount factor for real human navigation behaviors in a virtual environment, and train an agent that imitates the behavior of human subjects. Advisors/Committee Members: Ballard, Dana H. (Dana Harry), 1946- (advisor), Stone, Peter H (committee member).

Subjects/Keywords: Reinforcement learning; Artificial intelligence; Inverse reinforcement learning; Modular inverse reinforcement learning; Reinforcement learning algorithms; Human navigation behaviors

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

-8073-3276. (2015). Parameterized modular inverse reinforcement learning. (Masters Thesis). University of Texas – Austin. Retrieved from http://hdl.handle.net/2152/46987

Note: this citation may be lacking information needed for this citation format:
Author name may be incomplete

Chicago Manual of Style (16th Edition):

-8073-3276. “Parameterized modular inverse reinforcement learning.” 2015. Masters Thesis, University of Texas – Austin. Accessed December 09, 2019. http://hdl.handle.net/2152/46987.

Note: this citation may be lacking information needed for this citation format:
Author name may be incomplete

MLA Handbook (7th Edition):

-8073-3276. “Parameterized modular inverse reinforcement learning.” 2015. Web. 09 Dec 2019.

Note: this citation may be lacking information needed for this citation format:
Author name may be incomplete

Vancouver:

-8073-3276. Parameterized modular inverse reinforcement learning. [Internet] [Masters thesis]. University of Texas – Austin; 2015. [cited 2019 Dec 09]. Available from: http://hdl.handle.net/2152/46987.

Note: this citation may be lacking information needed for this citation format:
Author name may be incomplete

Council of Science Editors:

-8073-3276. Parameterized modular inverse reinforcement learning. [Masters Thesis]. University of Texas – Austin; 2015. Available from: http://hdl.handle.net/2152/46987

Note: this citation may be lacking information needed for this citation format:
Author name may be incomplete

2. Kang, Yue. Sensor-based navigation for robotic vehicles by interaction of human driver and embedded intelligent system : La navigation référencée capteur de véhicules robotisés par l’interaction conducteur humain - système intelligent embarqué.

Degree: Docteur es, Information Technologies and Systems : Unité de recherche Heudyasic (UMR-7253), 2016, Compiègne

Cette thèse présente une méthode de navigation autonome d’un véhicule routier robotisé dans un contexte de l’interaction conducteur - véhicule, dans lequel le conducteur humain et le système de navigation autonome coopèrent dans le but d’associer les avantages du contrôle manuel et automatique. La navigation du véhicule est réalisée en parallèle par le conducteur humain et le système de conduite automatique, basée sur la perception de l’environnement. La navigation coopérative est basée sur l’analyse et correction des gestes du conducteur humain par le système intelligent, dans le but d’exécuter une tâche de navigation locale qui concerne le suivie de voie avec évitement d’obstacles. L’algorithme d’interaction humain-véhicule est basé sur des composants de navigation référencée capteurs formés par des contrôleurs d’asservissement visuel (VS) et la méthode d’évitement d’obstacle « Dynamic Window Approach (DWA) » basée sur la grilles d’occupation. Ces méthodes prennent en entrée la perception de l’environnement fournie par des capteurs embarqués comprenant un système monovision et un LIDAR. Dû à des impossibilités techniques/légales, nous n’avons pas pu valider nos méthodes sur notre véhicule robotisé (une Renault Zoé robotisée), ainsi nous avons construit des structures « driver-in-theloop » dans des environnements de simulation Matlab et SCANeRTM Studio. En Matlab, le conducteur humain est modélisé par un algorithme appelé « Human Driver Behaviour controller (HDB) », lequel génère des gestes de conduite dangereux dans la partie manuelle de l’entrée de commande du système coopératif. En SCANeR Studio, la sortie de l’HDB est remplacée par des commandes manuelles générées directement par un conducteur humain dans l’interface utilisateur du simulateur. Des résultats de validation dans les deux environnements de simulation montrent la faisabilité et la performance du système de navigation coopérative par rapport aux tâches de suivie de voie, l’évitement d’obstacles et le maintien d’une distance de sécurité.

This thesis presents an approach of cooperative navigation control pattern for intelligent vehicles in the context of human-vehicle interaction, in which human driver and autonomous servoing system cooperate for the purpose of benefiting from mutual advantages of manual and auto control. The navigation of the vehicle is performed in parallel by the driver and the embedded intelligent system, based on the perception of the environment. The cooperative framework we specify concerns the analysis and correction of the human navigation gestures by the intelligent system for the purpose of performing local navigation tasks of road lane following with obstacle avoidance. The human-vehicle interaction algorithm is based on autonomous servoing components as Visual Servoing (VS) controllers and obstacle avoidance method Dynamic Window Approach (DWA) based on Occupancy Grid, which are supported by the environment perception performed carried out by on-boarded sensors including a monovision camera and a LIDAR sensor. Given the…

Advisors/Committee Members: Corrêa Victorino, Alessandro (thesis director).

Subjects/Keywords: Interaction homme-véhicule; Navigation autonome; Capteurs embarqués; Navigation coopérative; Algorithmes d’interaction; Perception de l’environnement basée capteurs; Comportement du conducteur; Human-vehicle interaction; Cooperative navigation; Image-based Dynamic Window Approach (IDWA); Sensor-based environment perception; Driver behaviors; Human Driver Behaviour controller (HDB)

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Kang, Y. (2016). Sensor-based navigation for robotic vehicles by interaction of human driver and embedded intelligent system : La navigation référencée capteur de véhicules robotisés par l’interaction conducteur humain - système intelligent embarqué. (Doctoral Dissertation). Compiègne. Retrieved from http://www.theses.fr/2016COMP2291

Chicago Manual of Style (16th Edition):

Kang, Yue. “Sensor-based navigation for robotic vehicles by interaction of human driver and embedded intelligent system : La navigation référencée capteur de véhicules robotisés par l’interaction conducteur humain - système intelligent embarqué.” 2016. Doctoral Dissertation, Compiègne. Accessed December 09, 2019. http://www.theses.fr/2016COMP2291.

MLA Handbook (7th Edition):

Kang, Yue. “Sensor-based navigation for robotic vehicles by interaction of human driver and embedded intelligent system : La navigation référencée capteur de véhicules robotisés par l’interaction conducteur humain - système intelligent embarqué.” 2016. Web. 09 Dec 2019.

Vancouver:

Kang Y. Sensor-based navigation for robotic vehicles by interaction of human driver and embedded intelligent system : La navigation référencée capteur de véhicules robotisés par l’interaction conducteur humain - système intelligent embarqué. [Internet] [Doctoral dissertation]. Compiègne; 2016. [cited 2019 Dec 09]. Available from: http://www.theses.fr/2016COMP2291.

Council of Science Editors:

Kang Y. Sensor-based navigation for robotic vehicles by interaction of human driver and embedded intelligent system : La navigation référencée capteur de véhicules robotisés par l’interaction conducteur humain - système intelligent embarqué. [Doctoral Dissertation]. Compiègne; 2016. Available from: http://www.theses.fr/2016COMP2291

.