008240612s2021      us  |||||||||||||||c||eng  d
■001000016931092
■00520240214095910
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380621755
■035    ▼a(MiAaPQ)AAI28869941
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aJin,  Shiyu.
■24510▼aLearning  and  Planning  for  Industrial  Robotic  Manipulation▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Berkeley.  ▼c2021
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2021
■300    ▼a1  online  resource(99  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    ▼aIndustrial  robot  manipulators  are  widely  deployed  in  various  manufacturing  tasks.  Compared  with  human  workers,  industrial  robot  manipulators  have  advantages  in  terms  of  precision,  efficiency,  and  repeatability.  But  it  often  requires  tremendous  engineering  efforts  to  set  up  and  program  the  manipulator  for  a  specific  task.  The  deficiency  of  intelligence  restricts  robots  from  broader  applications.  Therefore,  it  becomes  more  and  more  important  to  enable  robots  to  acquire  skills  that  can  accomplish  complex  tasks  and  generalize  across  different  scenarios.  This  dissertation  aims  to  develop  skill  learning  and  planning  methods  for  industrial  robotic  manipulation.  We  study  1)  how  to  learn  manipulation  skills  when  there  are  uncertainties  in  the  object  state  estimation,  2)  how  to  generalize  the  manipulation  skills  across  different  scenarios,  3)  how  to  achieve  high-level  task  planning  for  long-horizon  manipulation  tasks.Robotic  manipulation  of  both  rigid  and  deformable  objects  is  studied  in  this  dissertation.  To  manipulate  rigid  objects,  a  contact  pose  identification  method  is  proposed  to  compensate  for  the  pose  uncertainties  in  the  peg-in-hole  assembly.  In  addition  to  rigid  objects,  the  manipulation  of  deformable  objects  is  also  studied.  A  tracking  and  manipulation  framework  is  proposed  to  robustly  estimate  the  state  of  the  cable  and  manipulate  the  cable  to  desired  shapes.  For  more  complex  cable  manipulation  tasks,  which  often  require  long-horizon  planning,  a  spatial  representation  is  proposed  to  model  the  spatial  relationship  between  the  cable  and  environment  fixtures.  Multiple  manipulation  primitives  are  efficiently  learned  to  configure  the  cable  to  desired  states.  For  the  task  that  combines  both  assembly  and  deformable  object  manipulation,  a  trajectory  optimization  with  complementarity  constraints  is  formulated  to  model  the  hybrid  dynamics  in  belt  drive  units  assembly.  The  problem  is  solved  as  a  mathematical  program  with  complementarity  constraints  to  obtain  feasible  and  efficient  assembly  trajectories.
■590    ▼aSchool  code:  0028.
■650  4▼aMechanical  engineering.
■650  4▼aRobotics.
■653    ▼aCable  manipulation
■653    ▼aMachine  learning
■653    ▼aPeg-in-hole  assembly
■653    ▼aRobotic  manipulation
■653    ▼aIndustrial  robot
■690    ▼a0548
■690    ▼a0771
■690    ▼a0800
■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=T16931092▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024