008240612s2021      us  |||||||||||||||c||eng  d
■001000016931873
■00520240214100319
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380618939
■035    ▼a(MiAaPQ)AAI28868910
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aFahandezhsaadi,  Saman.
■24510▼aGeometric-  and  Learning-Based  Perception  and  Control  for  Robotic  Systems▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Berkeley.  ▼c2021
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2021
■300    ▼a1  online  resource(112  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-04,  Section:  B.
■500    ▼aAdvisor:  Tomizuka,  Masayoshi.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2021.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aA  reliable,  accurate,  and  robust  robotic  system  is  highly  dependent  on  perception,  the  ability  of  a  robot  to  sense  and  interpret  its  environment.  A  variety  of  sensing  technologies  and  methods  can  be  integrated  for  perception  purposes  depending  on  a  particular  robotic  setting  and  the  surrounding.  Uncertainty,  environment  variability,  and  limited  sensing  capabilities  are  factors  that  pose  challenges  to  the  perception  task.  This  dissertation  focuses  on  exploiting  geometric  and  probabilistic  characteristics  as  well  as  hidden  structural  properties  of  robotic  systems  and  their  surroundings  to  address  some  of  these  challenges.A  geometric  state  estimator  is  presented  for  an  agent  with  the  ability  to  measure  single  ranges  to  fixed  points  (anchors)  in  its  environment.  The  state  estimator  is  generic,  and  can  be  immediately  applied  to  any  robot  with  the  range  sensor.  A  greedy  optimization  algorithm  is  developed  to  select  the  best  measurement  in  each  time  step.  The  selection  algorithm  is  added  to  the  extended  Kalman  filter,  resulting  in  choosing  the  best  measurement  out  of  all  the  available  range  values.  The  effectiveness  of  the  presented  estimator  algorithm  is  demonstrated  through  experimental  setup  for  a  flying  robot.The  estimation  accuracy  is  improved  under  the  assumption  that  the  ranging  infrastructure  is  not  perfect.  A  real\extendash  time  restructure  of  the  setup  allows  to  enhance  the  localization  accuracy  of  the  ego  agent.  The  estimator  is  incorporated  into  an  adaptive  algorithm.  Using  a  mobile  UWB  ranging  sensor,  the  mobile  anchor  moves  to  improve  localization  accuracy  of  the  main  robot.  The  algorithm  reconstructs  the  range  sensor  network  in  real\extendash  time  to  minimize  the  covariance  matrix  in  the  extended  Kalman  filter.  The  presented  algorithm  is  experimentally  validated  in  a  network  of  range  sensors.  A  probabilistic\extendash  based  approach  for  pose  estimation  using  point  clouds  is  presented.  The  point  registration  algorithm  is  based  on  directional  statistics,  which  estimates  the  rigid  transformation  (i.e.  rotation  matrix  and  translation  vector)  between  two  point  cloud  frames.  The  algorithm  outputs  the  robot's  pose  estimation  (location  and  orientation).  The  framework  transforms  the  point  registration  task  on  a  unit  sphere,  and  solves  the  problem  in  two  steps  of  correspondence  and  alignment.  In  particular,  a  mixture  model  (as  an  example  of  directional  statistics  on  unit  sphere  in  R3)  is  adopted  and  the  process  of  point  registration  has  been  carried  out  by  the  two  phases  of  Expectation\extendash  Maximization  algorithm.  The  method  has  been  evaluated  with  point  clouds  from  LiDAR  sensors  in  an  indoor  environment.  A  deep  graph  network  is  presented,  to  improve  the  robustness  and  accuracy  of  point  registration.  The  framework  models  the  point  registration  task  based  on  the  flexible  architecture  of  Graph  Network  (GN)  blocks.  Three  main  modules\extendash  an  encoder,  a  core,  and  a  decoder\extendash  are  responsible  to  perform  both  steps  of  correspondence  and  assignment  in  point  matching  process.  The  experiments  and  examination  of  the  proposed  model  shows  comparable  results  with  other  state\extendash  of\extendash  the\extendash  art  geometric\extendash  or  learning\extendash  based  algorithm  in  terms  of  accuracy  as  well  as  robustness  with  regard  to  bad  initial  conditions  and  presence  of  outliers  in  data  points.  The  flexibility  and  configurability  of  the  framework  allows  to  easily  change,  add,  and/or  combine  various  customized  deep  modules  and  mechanisms  to  the  presented  graph\extendash  based  framework.The  last  part  of  this  dissertation,  studies  ReLU  network  architecture  in  the  domain  of  control.  The  input/output  domain  and  structure  of  the  network  and  its  proximity  to  explicit  Model  Predictive  Control  (eMPC).  The  mathematical  equivalency  of  feedforward  ReLU  and  piecewise  affine  function  is  presented,  and  we  investigate  the  prospect  of  representing  state  feedback  policy  of  eMPC  as  a  ReLU  DNN,  and  vice  versa.  A  sampling  based  method  has  been  developed  to  identify  input\extendash  space  regions  in  ReLU  networks.
■590    ▼aSchool  code:  0028.
■650  4▼aRobotics.
■650  4▼aComputer  engineering.
■650  4▼aStatistics.
■653    ▼aPerception  task
■653    ▼aRanging  sensor
■653    ▼aLimited  sensing  capabilities
■690    ▼a0771
■690    ▼a0464
■690    ▼a0463
■71020▼aUniversity  of  California,  Berkeley▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-04B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2021
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931873▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024