MARC

 008260126s2024        us                              c    eng  d
■001000017360406
■00520260202105520
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263338947
■035    ▼a(MiAaPQ)AAI32309492
■035    ▼a(MiAaPQ)GeorgiaTech76948
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aShamsah,  Abdulaziz.
■24510▼aSafe  Bipedal  Locomotion  and  Navigation  in  Uncertain  Environments
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a202  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Zhao,  Ye.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aThis  dissertation  addresses  the  challenge  of  enabling  bipedal  robots  to  navigate  and  op-erate  autonomously  in  dynamic  and  uncertain  environments.  While  industrial  robots  have  been  highly  successful  in  structured  settings  such  as  factories  and  warehouses  where  robots  perform  predefined  tasks  in  controlled  environments  with  minimal  uncertainty-replicating  this  success  in  real-world,  dynamic  scenarios  remains  a  significant  hurdle.  De-spite  recent  advancements  in  humanoid  robotics,  integrating  these  robots  into  unstructured  environments  is  difficult  due  to  the  complexity  of  bipedal  locomotion  and  the  need  to  pri-oritize  safety  for  both  the  robot  and  the  surrounding  agents.This  research  focuses  on  overcoming  these  obstacles  by  developing  a  hierarchical  ap-proach  that  includes  high-level  task  planning,  mid-level  motion  planning,  and  low-level  full-body  control,  with  the  overarching  goal  of  ensuring  safe  navigation  in  uncertain  envi-ronments.  The  two  primary  sources  of  uncertainty  explored  in  this  thesis  are  obstacle  un-certainty,  which  involves  dynamic  obstacles  such  as  autonomous  grounded  mobile  robots  and  human  pedestrians,  and  terrain  uncertainty,  which  includes  partial  observability  and  unknown  terrain  elevation.In  this  dissertation,  we  address  the  uncertainties  in  the  following  context.  First,  it  ad-dresses  formal  task  and  motion  planning  in  partially  observable  environments  with  dynamic  obstacles.  In  this  work,  the  environment  is  partially  observable  when  static  obstacles  oc-clude  the  robot's  view  of  certain  regions  in  the  environment;  thus,  guaranteeing  collision  avoidance  with  dynamic  obstacles  out  of  the  robot's  view  becomes  a  challenging  problem.  To  solve  this,  we  develop  a  formal  task  planning  framework  based  on  Linear  Temporal  Logic  (LTL),  which  provides  guarantees  for  safe  navigation  and  task  completion.  It  em-ploys  a  belief  abstraction  method  to  handle  out-of-view  dynamic  obstacles.  A  key  feature  of  this  work  is  the  abstraction  of  reduced-order  model  safety  theorems  into  symbolic  spec-ifications  to  guarantee  that  the  high-level  task  planner  can  be  successfully  executed  by  the  underlying  motion  planner.The  second  work  addresses  obstacle  uncertainty  in  the  context  of  social  navigation.  In  this  task,  the  bipedal  robot  is  tasked  to  navigate  and  reach  a  specific  goal  in  an  open  en-vironment  containing  pedestrians.  The  bipedal  robot  is  required  to  avoid  collision  with  pedestrians  and  navigate  in  a  socially  acceptable  manner.  The  pedestrians'  dynamics  are  not  known,  thus  we  introduce  the  Social  Zonotope  Network  (SZN),  a  Conditional  Varia-tional  Auto-encoder  (CVAE)  architecture  for  coupled  pedestrian  future  trajectory  predic-tion  and  ego-agent  social  path  planning  both  parameterized  as  zonotopes.  We  integrate  the  SZN  with  a  model  predictive  controller  (MPC),  where  the  zonotopes  outputted  by  SZN  are  encoded  as  constraints  for  reachability-based  motion  planning  and  collision  checking.  Our  results  demonstrate  the  framework's  effectiveness  in  producing  a  socially  acceptable  path  with  consistent  locomotion  velocity  and  optimality.Finally,  we  address  terrain  uncertainty  in  the  context  of  search  and  rescue  tasks,  where  we  coordinate  a  heterogeneous  team  of  bipedal  and  aerial  robots.  In  this  project,  the  terrain  elevation  is  unknown.  As  the  robots  navigate  the  environment,  they  collect  elevation  data  and  update  a  terrain  Gaussian  process  (GP)  model.  We  present  a  terrain-aware  MPC  that  solves  the  optimal  paths  for  the  bipedal  while  maximizing  the  traversability.  We  integrate  lateral  slopes  derived  from  the  terrain  GP  into  the  cost  function  of  our  proposed  MPC  framework.  This  method  allows  for  a  safer  traversal  of  rough  terrains  by  planning  paths  with  minimum  lateral  slopes.
■590    ▼aSchool  code:  0078.
■650  4▼aRobots
■650  4▼aTemporal  logic
■650  4▼aPlanning
■650  4▼aEvacuations  &  rescues
■650  4▼aRobotics
■650  4▼aPublic  administration
■690    ▼a0771
■690    ▼a0617
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360406▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books