MARC

 008250123s2024        us                              c    eng  d
■001000017160346
■00520250211151001
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382610849
■035    ▼a(MiAaPQ)AAI30993985
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aWang,  Sean  J.
■24512▼aA  Practical  Approach  to  Learning  Dynamics  for  Rough  Terrain  Navigation
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a139  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Johnson,  Aaron  M.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2024.
■520    ▼aUnmanned  ground  vehicles  offer  great  potential,  but  struggle  in  rough  terrain  environments  due  to  their  inability  to  reason  about  complex  dynamics  over  longer  horizons.  Thus,  driving  strategies  are  often  short-sighted  and  underutilize  the  robot's  dynamic  capabilities.  This  thesis  addresses  the  challenges  of  long-horizon,  dynamics-aware  decision  making  in  rough  terrain,  arising  from  the  inability  to  model  complex  system  dynamics.  The  findings  reveal  two  key  insights:  1)  leveraging  low-quality  simulation  data  can  reduce  training  requirements  of  real-world  dynamics  models;  and  2)  long-horizon  decision  making  can  still  utilize  imprecise  dynamics  models  through  careful  handling  of  prediction  uncertainty.We  first  discuss  our  model-based  reinforcement  learning  approach  for  rough  terrain  navigation.  This  approach  trains  a  dynamics  model  to  predict  the  robot's  trajectory  over  uneven  terrain  and  capture  prediction  uncertainty.  Decision  making  uses  this  model  along  with  a  closed-loop  divergence  constraint  to  aid  in  longer-horizon  trajectory  prediction  and  prevent  exploitation  of  potentially  problematic  modeling  errors.  We  show  that  this  approach  leads  to  robust,  non-myopic  driving  strategies  that  take  full  advantage  of  the  robot's  capabilities.Next,  we  explore  leveraging  simulation  to  reduce  real-world  training  data  requirements.  This  culminates  in  an  approach  that  uses  a  large  variety  of  simulated  systems  to  train  a  dynamics  model  that  quickly  and  probabilistically  adapts  to  any  new,  including  real-world,  target  system  using  any  available  target  system  data.  Using  this  model  within  an  uncertainty-aware  decision  making  framework  results  in  safe,  albeit  low  performance,  driving  upon  initialization.  As  more  target  system  observations  are  collected,  the  adaptive  dynamics  model  becomes  more  tailored  to  the  target  system  resulting  in  increased  driving  performance.Finally,  we  combine  these  concepts  to  form  a  non-myopic  rough  terrain  navigation  framework  that  can  quickly  and  robustly  adapt  to  new  target  systems.  We  show  that  upon  initialization,  this  framework  chooses  conservative  routes  that  avoids  obstacles.  However,  after  just  one  demonstration  of  driving  over  obstacles,  the  framework  chooses  more  aggressive  routes  over  obstacles  that  match  the  system's  capabilities.
■590    ▼aSchool  code:  0041.
■650  4▼aRobotics
■650  4▼aInformation  technology
■653    ▼aModel-based  reinforcement  learning
■653    ▼aRough  terrain  navigation
■653    ▼aSim2real
■653    ▼aTerrain  environments
■653    ▼aLearning  dynamics
■690    ▼a0771
■690    ▼a0489
■690    ▼a0800
■71020▼aCarnegie  Mellon  University▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160346▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books