MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016935376
■00520240214101925
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380935104
■035    ▼a(MiAaPQ)AAI30694313
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aYoon,  Yeo  Jung.
■24510▼aAI-Driven  Experimental  Design  for  Learning  of  Process  Parameter  Models  for  Robotic  Processing  Applications▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Southern  California.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(185  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-06,  Section:  B.
■500    ▼aAdvisor:  Gupta,  Satyandra  K.
■5021  ▼aThesis  (Ph.D.)--University  of  Southern  California,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aRobots  are  increasingly  being  considered  for  different  manufacturing  processing  applications.  Completing  the  process  efficiently  and  successfully  requires  using  the  right  process  parameters.  Under  traditional  practices,  the  responsibility  of  determining  and  implementing  the  right  process  parameters  into  the  robots  has  largely  been  done  by  human  operators.  This  approach,  although  reliable,  presents  drawbacks  with  its  time-consuming  nature  and  associated  costs.  Instead,  we  want  to  facilitate  an  AI-driven  experimental  design  approach  for  learning  manufacturing  tasks  using  robots.  AI-driven  experimental  design  will  enable  robots  to  learn  from  and  adapt  to  the  outcomes  of  previous  experiments  for  determining  process  parameters  to  use  in  further  experiments.  Robots  can  try  different  values  of  process  parameters,  evaluate  the  task  performance,  and  incorporate  insights  from  these  evaluations  to  guide  subsequent  experiments.  Robots  can  continuously  enhance  task  performance  and  update  process  parameter  models  through  this  iterative  learning  approach.The  first  contribution  of  this  dissertation  is  to  develop  and  implement  an  adaptive  experimental  design  for  learning  tasks  characterized  by  constant  process  parameter  models.  Since  the  process  parameter  models  are  constant,  the  sets  of  process  parameters  that  ensure  efficient  and  successful  task  execution  can  be  determined  and  employed.  The  AI-driven  experimental  design  integrates  aspects  of  feasibility  biased  sampling,  surrogate  model  construction,  and  heuristic-driven  optimization.  The  practical  implementation  of  this  approach  is  demonstrated  within  the  context  of  a  robotic  sanding  application.The  second  contribution  of  this  dissertation  is  building  a  framework  to  learn  tasks  characterized  by  spatially  varying  process  parameter  models  through  AI-driven  experimental  design.  Compared  to  models  utilizing  constant  process  parameters,  those  involving  spatially  varying  process  parameters  are  more  complex  and  challenging  to  learn.  The  adaptive  experimental  design  presented  in  this  chapter  utilizes  a  combination  of  initial  parameter  exploration,  surrogate  modeling,  region  sequencing  policy  selection,  and  process  parameter  selection  policy.  The  applied  execution  of  this  method  is  showcased  in  contact-based  robotic  finishing  tasks.  Through  the  computational  simulations  and  physical  experiments  of  the  robotic  sanding  case  study,  we  demonstrate  the  successful  implementation  of  our  approach.The  third  contribution  of  this  dissertation  is  to  develop  and  implement  a  learning  approach  for  robotic  processing  applications  characterized  by  temporally  varying  process  parameter  models.  We  implement  our  approach  to  direct  ink  writing  applications,  where  the  issue  of  ink  drying  is  prevalent  over  time.  To  account  for  the  issue  of  ink  drying,  it  becomes  necessary  to  adjust  process  parameters,  such  as  tool  velocity  or  pressure,  accordingly  for  each  temporal  phase  of  the  processing.  By  making  temporal  adjustments  of  parameters,  we  successfully  maximize  the  achievable  print  length  without  any  constraint  violations  of  the  process.The  final  contribution  of  this  dissertation  is  developing  a  sequential  decision  making  approach  to  learn  process  parameters  by  conducting  experiments  on  sacrificial  objects.  When  there  is  a  risk  of  damaging  target  objects  (objects  of  interest),  experimenting  on  sacrificial  objects  is  a  viable  strategy  to  ensure  the  safety  of  the  target  objects.  However,  excessive  utilization  of  sacrificial  objects  could  increase  the  associated  costs.  Using  an  appropriate  quantity  of  sacrificial  objects  is  important  to  complete  the  task  efficiently  and  safely  with  the  minimum  task  completion  costs.  To  find  the  right  quantity  of  sacrificial  objects  and  determine  the  process  parameter  to  use,  we  utilize  an  AI-driven  experimental  design  using  a  sequential  decision  making  approach.  The  AI-driven  experimental  design  approach  encapsulates  aspects  of  look-ahead  search,  surrogate  modeling,  and  a  policy  for  process  parameter  selection.  The  proposed  method  is  implemented  and  demonstrated  on  the  robotic  spray  painting  application.
■590    ▼aSchool  code:  0208.
■650  4▼aRobotics.
■650  4▼aMechanical  engineering.
■653    ▼aAdaptive  experimental  design
■653    ▼aIndustry  4.0
■653    ▼aRobotic  processing  applications
■653    ▼aSelf-supervised  learning
■690    ▼a0771
■690    ▼a0800
■690    ▼a0548
■71020▼aUniversity  of  Southern  California▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-06B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0208
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935376▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books