MARC

 008260126s2025        us                              c    eng  d
■001000017359240
■00520260202104854
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288815379
■035    ▼a(MiAaPQ)AAI32200992
■035    ▼a(MiAaPQ)Stanfordsh608vx1165
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aChen,  Claire.
■24510▼aMethods  for  Contact-Rich  Robot  Manipulation
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a77  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Bohg,  Jeannette.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aTo  achieve  human-level  dexterity,  robots  must  master  contact-rich  interactions  with  the  physical  world.  The  crux  of  contact-rich  manipulation  is  making  contact  in  the  right  places,  at  the  right  times,  and  with  the  right  forces.  Advancing  contact-rich  robot  manipulation  requires  designing  methods  that  focus  on  these  most  fundamental  elements  of  contact.  Towards  this  claim,  this  thesis  presents  novel  grasp  prediction,  trajectory  optimization,  and  imitation  learning  methods  designed  specifically  for  contact-rich  interactions.  We  show  that,  compared  to  baselines,  our  methods  improve  the  contact-rich  manipulation  capabilities  of  robots  because  they  explicitly  consider  how  to  make  contact  in  the  right  places,  at  the  right  times,  and  with  the  right  forces.  First,  we  consider  the  contact-rich  task  of  interacting  with  articulated  objects,  where  robot  motion  is  constrained  by  the  moving  parts  of  objects.  We  design  a  grasp  prediction  model  that  centers  on  making  contact  with  articulated  objects  in  the  right  places.  We  show  how  combining  our  grasp  prediction  model  with  compliant  control  enables  robots  to  robustly  interact  with  articulated  objects  that  have  varied  local  geometries,  articulation  axes,  and  joint  states.  Next,  we  consider  dexterous  manipulation,  where  robots  must  apply  precise  and  coordinated  forces  across  multiple  contact  points.  Within  this  setting,  we  explore  both  analytical  and  data-  driven  methods.  On  the  analytical  side,  we  show  how  discrete  contact  planning  can  be  used  to  enforce  making  contact  at  the  right  places  and  times  within  contact-implicit  trajectory  optimization  (CITO).  Our  method  plans  more  robust  dexterous  manipulation  trajectories  than  a  general  CITO  baseline.  On  the  data-driven  side,  we  present  a  method  that  leverages  force  sensing  to  compute  robot  actions  for  policy  learning  that  apply  the  right  forces.  These  force-informed  actions  improve  policy  learning  for  precise  and  coordinated  dexterous  manipulation  tasks  like  opening  an  AirPods  case  and  unscrewing  a  nut.  Together,  these  contributions  show  how  tailoring  grasp  prediction,  trajectory  optimization,  and  imitation  learning  methods  to  focus  on  precise  contact  brings  robots  closer  to  human-level  dexterity.  Still,  many  challenges  remain  for  robots  to  achieve  the  same  levels  of  generalization  and  robustness  as  people,  particularly  in  contact-rich  settings.  To  conclude,  we  share  some  future  directions  for  continuing  to  improve  contact-rich  robot  manipulation.
■590    ▼aSchool  code:  0212.
■650  4▼aRobots
■650  4▼aTeaching  methods
■650  4▼aSuccess
■650  4▼aPlanning
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aRobotics
■653    ▼aContact-implicit  trajectory  optimization
■653    ▼aContact-rich  interactions
■653    ▼aDexterous  manipulation  tasks
■690    ▼a0771
■690    ▼a0984
■690    ▼a0464
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359240▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books