MARC

 008250123s2024        us                              c    eng  d
■001000017160735
■00520250211151109
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383098981
■035    ▼a(MiAaPQ)AAI31143911
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aDuong,  Thai  Phu.
■24510▼aLearning  Environment  and  Dynamics  Representations  for  Autonomous  Robot  Navigation
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a162  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Atanasov,  Nikolay.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aRobot  systems  have  become  prevalent  and  transformative  in  many  areas,  such  as  environment  surveillance  and  reconnaissance,  search  and  rescue,  industrial  manufacturing,  and  transportation.  In  these  applications,  it  is  critical  for  robots  to  navigate  autonomously  and  reliably  in  the  environment  in  order  to  execute  their  tasks.  This  requires  efficient  maintenance  of  an  environment  model,  offering  minimal  storage  footprint  and  fast  inference  time,  and  an  accurate  robot  dynamics  model,  enabling  stable  and  robust  control  policies  in  novel  operating  conditions.  This  dissertation  proposes  a  novel  autonomous  navigation  approach  that  utilizes  machine  learning  techniques  to  develop  sparse  probabilistic  occupancy  maps  of  the  environment  and  learn  robot  dynamics  efficiently  from  data  by  preserving  prior  knowledge  in  the  dynamics  model.The  first  part  of  the  dissertation  develops  a  compact  machine  learning  model,  trained  online  from  streaming  sensory  data,  to  represent  the  occupancy  of  the  environment.  While  common  occupancy  maps  might  have  high  storage  requirements  for  large  environments,  we  propose  a  novel  approach  that  models  the  obstacle  boundary  as  the  decision  boundary  of  a  machine  learning  classifier,  and  thus,  scales  with  the  complexity  of  the  boundary  instead  of  the  environment  size.  We  develop  online  training  algorithms  of  kernel  perceptron  and  relevance  vector  machine  classifiers  to  incrementally  build  sparse  binary  and  probabilistic  occupancy  maps,  respectively,  from  local  observations.The  second  part  of  the  dissertation  proposes  a  machine  learning  model  for  learning  accurate  robot  dynamics  from  state-control  trajectories.  While  hand-designed  models  might  over-simplify  the  dynamical  system,  black-box  models  recently  have  become  increasingly  popular  but  require  a  large  amount  of  data  for  training.  We  develop  a  data-efficient  hybrid  approach  by  encoding  prior  knowledge  such  as  universal  laws  of  physics  and  the  kinematic  structure  of  the  state  manifold  in  the  dynamics  model.  The  encoded  prior  knowledge  is  guaranteed  by  design  instead  of  being  inferred  from  data.  In  novel  operating  conditions,  this  approach  is  extended  to  learn  a  disturbance  model  to  handle  dynamics  changes.The  dissertation  finally  develops  efficient  collision  checking  algorithms  for  motion  planning  with  the  learned  sparse  map  representations  and  trajectory-tracking  control  policies  based  on  the  learned  robot  dynamics  and  disturbance  models,  offering  a  fast,  reliable,  and  long-term  solution  for  autonomous  navigation.  The  autonomous  navigation  approach  is  verified  extensively  with  datasets,  simulated  and  real  robot  experiments.
■590    ▼aSchool  code:  0033.
■650  4▼aRobotics
■650  4▼aElectrical  engineering
■650  4▼aComputer  science
■653    ▼aAutonomous  navigation
■653    ▼aRobot  dynamics
■653    ▼aHamiltonian  dynamics
■653    ▼aLie  groups
■653    ▼aMachine  learning
■653    ▼aOccupancy  mapping
■690    ▼a0771
■690    ▼a0800
■690    ▼a0544
■690    ▼a0984
■71020▼aUniversity  of  California,  San  Diego▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160735▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books