008240612s2023      us  |||||||||||||||c||eng  d
■001000016932402
■00520240214100453
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379616007
■035    ▼a(MiAaPQ)AAI30492228
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aPetersen,  Mark  Alexander.▼0(orcid)0009-0005-1427-6096
■24510▼aDynamic  Collision-Free  Motion  Planning  for  Robotic  Manipulation  Using  Graphs  of  Convex  Sets▼h[electronic  resource]
■260    ▼a[S.l.]:▼bHarvard  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(111  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aIncludes  supplementary  digital  materials.
■500    ▼aAdvisor:  Tedrake,  Russ;Wood,  Robert.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aEnabling  robots  to  generates  physically  feasible  and  collision-frees  trajectories  is  a  fundamental  problem  in  robotics.  Current  solutions  take  one  of  two  approaches,  using  sampling  based  motion  planners  to  probabilistically  find  a  path  between  obstacles,  or  using  trajectory  optimization  to  exactly  handle  the  dynamic  constraints  of  the  robot.  The  sampling  based  motion  planners  can  handle  the  messy  problem  of  planning  a  configuration-space  trajectory  in  the  presence  of  task-space  obstacles  despite  the  nonlinear  mapping  between  the  two  spaces.  However,  they  struggle  as  the  dimension  of  the  robot's  configuration  space  grows  due  to  the  curse  of  dimensionality  and  cannot  handle  dynamic  constraints  directly.  Meanwhile,  trajectory  optimization  can  handle  the  nonlinear  dynamics  and  scales  well  to  high  degree  of  freedom  robots,  but  the  collision  avoidance  constraints  make  the  optimization  difficult,  requiring  extensive  solve  times  or  good  initialization.We  present  a  motion  planning  pipeline  that  seeks  to  fill  the  gap  between  these  two  approaches.  The  pipeline  starts  by  decomposing  the  free-space  into  convex  collision-free  regions  of  the  configuration  space  using  Iterative  Regional  Inflation  by  Semidefinite  &  Nonlinear  Programming  (IRIS-NP).  These  regions  can  then  be  planned  between  using  Graph  of  Convex  Sets  (GCS)  Trajectory  Optimization  to  create  smooth  collision-free  trajectories.  These  trajectories  can  be  made  dynamically  feasible  using  existing  time  parametrization  algorithms,  such  as  Time  Optimal  Path  Parameterization  by  Reachability  Analysis  (TOPP-RA).  Finally,  we  demonstrate  how  GCS  Trajectory  Optimization  can  be  expanded  to  plan  sequential  trajectories  using  multi-modal  planning  where  multiple  interconnected  graphs  are  planned  through.  We  validate  our  algorithms  performance  on  a  variety  of  robot  platforms  and  tasks,  demonstrating  that  they  serve  as  a  foundation  for  future  work  in  collision-free  motion  planning.
■590    ▼aSchool  code:  0084.
■650  4▼aRobotics.
■650  4▼aComputer  science.
■653    ▼aConvex  optimization
■653    ▼aMotion  planning
■653    ▼aTrajectory  optimization
■690    ▼a0771
■690    ▼a0984
■71020▼aHarvard  University▼bEngineering  and  Applied  Sciences  -  Engineering  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932402▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024