MARC

 008260126s2025        us                              c    eng  d
■001000017357834
■00520260202103606
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288862601
■035    ▼a(MiAaPQ)AAI32042758
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aLi,  Zhongyu.
■24510▼aThe  Robot  Cerebellum:  Toward  Safe,  Agile  and  Intelligent  Legged  Robotics
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a403  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Sreenath,  Koushil.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aThis  dissertation  develops  a  unified  framework  for  building  safe,  agile,  and  intelligent  legged  robotic  systems,  inspired  by  the  concept  of  the  Robot  Cerebellum  which  is  the  part  of  the  brain  responsible  for  body  coordination  and  motion  control.  The  core  challenge  addressed  is  how  to  enable  versatile  and  dynamic  maneuvers,  i.e.,  to  develop  the  cerebellum,  in  complex  and  underactuated  robotic  systems  such  as  legged  robots  by  integrating  model-based  optimal  control  and  model-free  reinforcement  learning  (RL).  The  work  begins  with  structured  motion  control,  introducing  model-based  locomotion  frameworks  to  achieve  expressive  and  robust  locomotion.  To  unlock  the  full  potential  and  agility  of  legged  robots,  this  dissertation  then  presents  a  novel  general  locomotion  control  framework  using  model-free  RL  on  a  person-sized  bipedal  robot  in  the  real  world.  This  framework  demonstrates  a  range  of  novel  bipedal  locomotion  capabilities,  including  walking  with  compliance  and  persistent  performance  over  a  long  timespan  (1.5  years),  running  (including  a  400-meter  dash),  and  multi-axis  targeted  jumping  such  as  standing  long  jumps  and  table  jumps,  with  significant  robustness  and  adaptivity.  Building  on  this  foundation,  the  dissertation  introduces  HiLMa,  a  hierarchical  framework  for  whole-body  loco-manipulation,  enabling  legged  robots  to  function  beyond  locomotion  and  perform  complex  object  interaction  tasks  using  their  legs  as  arms  while  in  locomotion.  It  further  extends  to  agent  interaction,  exploring  both  centralized  and  decentralized  coordination  strategies  for  human-robot  and  multi-robot  collaboration  in  congested  environments.  Finally,  the  dissertation  addresses  safety  by  bridging  model-based  motion  planning  with  learning-based  controllers.  Through  system  identification,  it  unveils  hidden  low-dimensional  linear  behavior  of  the  closed-loop  systems  using  RL  policies,  which  is  then  embedded  into  an  model-based  framework  to  achieve  certifiably  safe  navigation  while  preserving  learned  agility.  Together,  these  contributions  advance  the  state  of  the  art  across  locomotion  control,  planning,  learning,  safety,  and  physical  interaction  using  legged  robots  in  real-world  settings,  paving  the  way  to  extend  the  cerebellar  core  into  a  broader  Robot  Brain  for  future  robotics  across  a  wide  range  of  real-world  tasks  and  environments.
■590    ▼aSchool  code:  0028.
■650  4▼aRobotics
■650  4▼aComputer  science
■650  4▼aElectrical  engineering
■653    ▼aLegged  robotics
■653    ▼aRobot  learning
■653    ▼aReinforcement  learning
■653    ▼aRobotic  systems
■653    ▼aRobot  Cerebellum
■690    ▼a0771
■690    ▼a0984
■690    ▼a0544
■71020▼aUniversity  of  California,  Berkeley▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357834▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books