MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016934701
■00520240214101644
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380106740
■035    ▼a(MiAaPQ)AAI30633201
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aClark,  Lillian.
■24510▼aRemote  Exploration  With  Robotic  Networks:  Queue-Aware  Autonomy  and  Collaborative  Localization▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Southern  California.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(132  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-02,  Section:  B.
■500    ▼aAdvisor:  Krishnamachari,  Bhaskar;Psounis,  Kostas.
■5021  ▼aThesis  (Ph.D.)--University  of  Southern  California,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aLunar  and  planetary  exploration  puts  stringent  requirements  on  a  robotic  system,  including  high  reliability,  accurate  localization  and  mapping,  and  the  ability  to  operate  and  communicate  findings  with  a  remote  base  station  despite  the  lack  of  existing  infrastructure.  Robotic  networks  are  well-suited  for  operation  in  these  harsh,  remote  environments  because  the  system  is  robust  to  the  failure  of  a  single  robot  and  agents  can  communicate  and  collaborate.  In  this  dissertation,  we  identify  four  key  problems  in  the  field  of  networked  robotic  exploration  and  provide  the  necessary  solutions  to  meet  the  end  goal  of  enabling  exploration  and  mapping  in  harsh,  GPS-denied,  communication-restricted  environments  with  a  team  of  mobile  robots.  We  focus  on  two  subdomains  in  robotic  network  research:  communication  and  localization.First,  we  consider  that  while  connectivity  is  necessary  for  communicating  exploration  data,  strictly  maintaining  connectivity  can  limit  exploration.  Thus,  we  propose  a  queue-aware  distributed  controller  which  more  flexibly  approaches  connectivity  by  focusing  on  time-average  constraints.  This  improves  exploration  efficiency  without  sacrificing  timely  data  transfer.Second,  we  note  that  predicting  connectivity,  which  is  a  key  component  of  queue-aware  exploration,  is  challenging  in  unknown  environments  with  obstacles  that  prevent  line-of-sight  and  significantly  attenuate  signal  strength.  Thus,  we  propose  a  data-driven  approach  to  signal  strength  prediction  which  combines  the  strengths  of  well-known  models  of  signal  propagation  phenomena  (e.g.  shadowing,  reflection,  diffraction)  and  machine  learning,  and  can  adapt  online  to  new  environments.  This  leads  to  accurate  signal  strength  prediction  which  enables  communication-aware  autonomy  for  the  network  of  robots. Third,  we  observe  that  accurate  signal  strength  models  can  also  enable  collaborative  localization;  given  the  position  of  a  few  robots,  we  can  leverage  pairwise  inter-robot  signal  strength  measurements  to  determine  the  positions  of  all  robots.  However,  the  accuracy  of  this  network  localization  is  again  stressed  by  obstacles  which  prevent  line-of-sight.  Thus,  we  propose  a  centralized  algorithm  which  first  infers  and  extracts  the  non-line-of-sight  component  of  attenuation.  This  leads  to  accurate  collaborative  localization  which  is  robust  to  obstacles  in  unknown  environments.Finally,  we  acknowledge  that  a  centralized  approach  to  collaborative  localization  has  certain  disadvantages,  namely  communication  overhead  and  synchronization.  Thus,  we  propose  a  distributed  approach  to  localization  for  a  team  of  robots  with  coordinated  mobility.  Our  trilateration-based  approach  reduces  the  computational  complexity  of  localization  and  mapping.  This  distributed  algorithm  leads  to  accurate  localization  and  mapping  suitable  for  resource-constrained  robots.We  validate  these  algorithms  and  models  in  simulated  environments  which  offer  fine  control  of  simulated  failures  and  signal  noise.  We  also  validate  our  proposed  methods  on  robotic  systems  in  real-world  environments.  We  test  our  low-complexity  localization  algorithm  on  a  network  of  four  resource-constrained  wheeled  robots  with  ultra-wideband  positioning  devices  in  an  indoor  environment.  We  test  our  signal  strength  predictive  model  and  our  robust  network  localization  algorithm  on  a  network  of  three  wheeled  and  three  quadruped  mobile  robots  in  large-scale  subterranean  environments.  We  evaluate  our  solutions  with  respect  to  high-level  performance  metrics  including  localization  accuracy,  mapping  accuracy,  and  exploration  efficiency.  Further,  we  analyze  implementation-focused  metrics  including  complexity,  robustness  to  noise  and  failures,  and  scalability  to  large  networks.Our  findings  support  that  (1)  queue-aware  exploration  can  improve  coverage  by  12%  compared  to  the  state-of-the-art  approach  to  exploration  with  intermittent  connectivity,  (2)  data-driven  models  of  the  propagation  environment  can  improve  signal  strength  prediction  accuracy  up  to  44%  compared  to  a  distance-based  model,  (3)  careful  non-line-of-sight  inference  and  matrix  manipulation  can  reduce  localization  error by  45%  compared  to  the  state-of-the-art  graph-based  learning  approach,  and  (4)  trilateration-based  localization  can  reduce  complexity  by  an  order  of  magnitude  compared  to  a  well-known  simultaneous  localization  and  mapping  approach.  Together,  the  four  proposed  solutions  in  this  dissertation  enable  a  team  of  mobile  robots  to  efficiently  (in  terms  of  time  and  complexity)  explore  and  map  remote  environments,  e.g.  the  lunar  subsurface,  while  allowing  timely  data  transfer.  Timely  data  transfer  mitigates  the  risk  of  losing  valuable  data  due  to  unexpected  failures  in  harsh  environments,  and  thus  we  advance  the  field  of  remote  exploration  with  robotic  networks.
■590    ▼aSchool  code:  0208.
■650  4▼aRobotics.
■650  4▼aComputer  engineering.
■653    ▼aMulti-robot  systems
■653    ▼aRobotic  exploration
■653    ▼aSensor  networks
■653    ▼aMachine  learning
■653    ▼aAlgorithms
■690    ▼a0771
■690    ▼a0464
■690    ▼a0800
■71020▼aUniversity  of  Southern  California▼bElectrical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-02B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0208
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934701▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서