MARC

 008250123s2024        us                              c    eng  d
■001000017164554
■00520250211153016
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384045885
■035    ▼a(MiAaPQ)AAI31631529
■035    ▼a(MiAaPQ)umichrackham005840
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aPower,  Thomas  J.
■24510▼aLearning  and  Inference  for  Adaptable  Manipulation  Planning
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a190  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Berenson,  Dmitry.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aA  central  challenge  for  developing  general-purpose  robot  assistants  is  the  development  of  algorithms  for  robot  manipulation  that  can  perform  a  wide  range  of  tasks  across  a  diverse  set  of  environments.  In  this  thesis,  I  develop  planning  and  trajectory  optimization  methods  that  can  adapt  to  new  and  unforeseen  systems.  The  key  to  these  methods  is  the  ability  of  robots  to  learn  from  experience  and  reason  about  related  uncertainty.  Using  modern  machine  learning  and  approximate  probabilistic  inference  techniques,  the  work  I  present  in  this  thesis  improves  the  ability  of  planning  methods  to  do  so. Probabilistic  inference  is  useful  in  two  ways.  First,  by  using  a  probabilistic  framing,  probabilities  can  be  used  as  a  way  of  expressing  confidence  in  our  current  models.  I  develop  a  method  that  learns  to  predict  the  uncertainty  of  a  given  dynamics  model  with  a  small  amount  of  data  collected  online  and  avoids  areas  where  the  model  is  uncertain.  I  also  propose  an  approach  that  learns  a  generative  model  of  control  sequences  to  complete  a  given  task.  I  demonstrate  that  we  can  detect  and  adapt  this  generative  model  to  situations  where  the  environment  differs  from  the  training  environments.Second,  I  incorporate  probabilistic  inference  into  the  proposed  methods  by  viewing  planning  itself  as  an  inference  problem.  By  framing  planning  as  inference,  we  construct  probability  distributions  over  trajectories.  This  framework  allows  me  to  develop  a  method  that  views  constrained  trajectory  optimization  as  inference,  generating  diverse  sets  of  constraint-satisfying  trajectories  for  completing  manipulation  tasks.  This  allows  improved  adaptation  to  online  disturbances,  since  at  any  given  time,  there  is  a  set  of  trajectories  to  select  from.  I  demonstrate  the  effectiveness  of  this  method  on  several  different  tasks,  including  a  7DoF  manipulator  turning  a  wrench  and  a  16DoF  multi-fingered  hand  turning  a  precision  screwdriver.The  methods  I  present  in  this  thesis  contribute  to  the  development  of  adaptable  algorithms  for  robotic  manipulation  for  the  next  generation  of  general-purpose  robot  assistants.
■590    ▼aSchool  code:  0127.
■650  4▼aRobotics
■650  4▼aComputer  engineering
■650  4▼aInformation  technology
■653    ▼aMachine  learning
■653    ▼aTrajectory  optimization
■653    ▼aRobot  manipulation
■653    ▼aProbability  distributions  
■653    ▼aControl  sequences  
■690    ▼a0771
■690    ▼a0800
■690    ▼a0489
■690    ▼a0464
■71020▼aUniversity  of  Michigan▼bRobotics.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164554▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books