Verklig data som beskriver hur människor och fordon rör sig är ofta svår att få tag på. Den kan vara knapp, integritetskänslig, eller helt enkelt inte existera för nya miljöer. Min forskning tacklar detta genom att utveckla modeller som kan generera realistiska syntetiska resor, som fångar variationen i hur människor och robotar faktiskt rör sig. En central utmaning är att få dessa modeller att fungera över stora miljöer och samtidigt vara anpassningsbara, så att de kan skapa resor för nya miljöer utan att behöva tränas om från grunden.
Att modellera hur saker vanligtvis rör sig leder naturligt till en annan fråga: hur upptäcker vi när de inte gör det? Den andra delen av min forskning fokuserar på anomalidetektion för autonoma system. En robot som navigerar i en miljö med människor behöver förutse vart andra i miljön är på väg, men den behöver också veta när dess prediktioner inte längre är tillförlitliga. Jag undersöker hur modeller av förväntad rörelse kan användas för att övervaka beteende och upptäcka när något oväntat händer, vilket hjälper till att hålla säkerhetskritiska system robusta i verkligheten.
Att modellera hur saker vanligtvis rör sig leder naturligt till en annan fråga: hur upptäcker vi när de inte gör det? Den andra delen av min forskning fokuserar på anomalidetektion för autonoma system. En robot som navigerar i en miljö med människor behöver förutse vart andra i miljön är på väg, men den behöver också veta när dess prediktioner inte längre är tillförlitliga. Jag undersöker hur modeller av förväntad rörelse kan användas för att övervaka beteende och upptäcka när något oväntat händer, vilket hjälper till att hålla säkerhetskritiska system robusta i verkligheten.
