MARC

 008260126s2025        us                              c    eng  d
■001000017358082
■00520260202103641
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314873854
■035    ▼a(MiAaPQ)AAI32092530
■035    ▼a(MiAaPQ)umichrackham006166
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aKathuria,  Tribhi.
■24510▼aMotion  and  Behavior  Planning  for  Socially  Assistive  Robots
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a105  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Ghaffari,  Maani;Yang,  X.  Jessie.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aSocially  Assistive  Robots  (SARs)  are  embodied  and  non-embodied  robotic  agents  employed  to  assist  humans  through  social  interactions.  As  robotic  technology  has  become  sophisticated  over  the  years,  we  have  started  seeing  the  acceptance  and  need  of  robots  in  a  social  space,  meaningfully  interacting  with  people.  One  of  the  major  challenges  of  robots  becoming  ubiquitous  in  our  day-to-day  environments  is  that  we  need  them  to  function  in  semi-structured  environments  designed  and  inhabited  by  humans.  This  thesis  tackles  robot  behavior  and  motion  planning  when  navigating  around  humans  in  complex,  dynamic  scenarios.  We  use  the  case  of  a  tour  guide  robot  as  a  test  bed  for  our  work.The  first  part  focuses  on  tour  planning  with  a  shared  map  created  collaboratively  by  Providers  (managers)  and  Robots  to  guide  Clients  (visitors).  The  planner  dynamically  adapts  routes  based  on  constraints,  highlighting  the  importance  of  shared  maps  in  human-robot  tasks.The  second  part  explores  low-level  motion  planning.  We  start  with  crowd  navigation,  designing  an  agent  to  move  through  groups  without  disrupting  the  human  flow.  We  then  tackle  narrow  crossings,  using  Smooth  Maximum  Entropy  Deep  Inverse  Reinforcement  Learning  (S-MEDIRL),  the  robot  learns  from  raw  data  to  yield  and  avoid  deadlock  without  relying  on  handcrafted  heuristics.Finally,  we  evaluate  Foundation  Models  in  Socially  Assistive  settings,  demonstrating  a  robot  as  a  greeter  and  tour  guide  at  the  University  of  Michigan  Museum  of  Art  (UMMA).  The  second  part  explores  incorporating  feedback  from  Vision  and  Language  Models  to  distinguish  between  qualitatively  good  and  bad  social  behaviors.  We  evaluate  the  efficacy  of  these  generalized  models  in  supervising  and  improving  socially  aware  navigation,  specifically  in  the  narrow  crossing  scenario.In  conclusion,  this  thesis  advances  motion  and  behavior  modules  for  robots  in  assistive  settings,  focusing  on  making  them  interactive  and  socially  aware.  It  evaluates  various  components  of  the  robotics  software  stack,  exploring  methods  to  enhance  their  effectiveness  and  inspire  future  advancements  in  developing  socially  assistive  robotics.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science
■650  4▼aRobotics
■650  4▼aEngineering
■653    ▼aHuman  robot  interaction
■653    ▼aInverse  reinforcement  learning
■653    ▼aSocially  aware  motion  planning
■653    ▼aSocially  Assistive  Robots
■690    ▼a0771
■690    ▼a0984
■690    ▼a0800
■690    ▼a0537
■71020▼aUniversity  of  Michigan▼bRobotics.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358082▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서