MARC

 008250123s2024        us                              c    eng  d
■001000017162763
■00520250211152052
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382738284
■035    ▼a(MiAaPQ)AAI31348866
■035    ▼a(MiAaPQ)umichrackham005484
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aMungai,  Margaret  Eva  Wangari.
■24510▼aTowards  a  Fall-Tolerant  Framework  for  Bipedal  Robots
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a216  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Grizzle,  Jessy.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aThis  dissertation  focuses  on  developing  a  fall-tolerant  framework  for  bipedal  robots,  aiming  to  enhance  their  ability  to  navigate  challenging  situations  by  effectively  assessing,  adapting,  and  responding  to  uncertainties  and  disturbances.  Bipedal  robots,  with  their  unique  capability  to  navigate  diverse  terrains  and  restore  mobility,  are  ideal  for  assisting  in  critical  and  day-to-day  tasks.  However,  their  real-world  deployment  is  limited  due  to  factors  like  high-dimensional  complex  dynamics  and  a  smaller  support  polygon,  making  it  difficult  to  achieve  stable  motion,  especially  in  the  face  of  disturbances  and  uncertainties. To  address  these  limitations,  the  dissertation  develops  robust  controllers  and  reliable  fall  prediction  algorithms.  Feedback  controllers  have  been  used  in  the  literature  to  ensure  robustness  against  disturbances  and  uncertainties.  However,  the  infeasibility  of  accounting  for  all  disturbances  and  uncertainties  during  real-world  operations  makes  falls  inevitable.  Falls  are  undesirable  as  they  can  prevent  a  robot  from  completing  its  task,  result  in  damage  to  the  surrounding  area,  or  lead  to  injuries.  Therefore,  the  dissertation  emphasizes  the  importance  of  implementing  robust  controllers  and  employing  methods  to  predict  falls.This  research  begins  by  introducing  a  systematic  method  to  design  control  objectives  for  highly  constrained  systems  and  concludes  by  presenting  a  1D  convolutional  neural  network  fall  prediction  algorithm  capable  of  not  only  predicting  falls  but  also  estimating  the  time  to  react.  The  effectiveness  of  the  control  objectives  is  demonstrated  through  robust,  comfortable  closed-loop  sit-to-stand  motions  for  a  fully  actuated  lower-limb  exoskeleton,  Atalante.  The  performance  of  the  proposed  fall  prediction  algorithms  is  evaluated  in  simulation  using  a  planar-four  link  robot  based  on  Atalante  and  in  hardware  and  simulation  for  the  bipedal  robot  Digit.
■590    ▼aSchool  code:  0127.
■650  4▼aElectrical  engineering
■650  4▼aMechanical  engineering
■650  4▼aRobotics
■650  4▼aComputer  engineering
■653    ▼aFeedback  control
■653    ▼aFall  prediction  
■653    ▼aBipedal  robots
■653    ▼aHumanoids
■653    ▼aExoskeletons
■653    ▼aMachine  learning
■653    ▼aTrajectory  optimization
■690    ▼a0771
■690    ▼a0548
■690    ▼a0544
■690    ▼a0464
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162763▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books