MARC

 008260126s2025        us                              c    eng  d
■001000017360740
■00520260202105613
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265426949
■035    ▼a(MiAaPQ)AAI32316418
■035    ▼a(MiAaPQ)Stanfordrq555xv6342
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a500
■1001  ▼aBrouwer,  Dane.
■24510▼aEmbodied,  Reflexive,  and  Multimodal  Intelligence  for  Manipulation  in  Unstructured  Environments
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a157  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisor:  Cutkosky,  Mark.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aRobotic  manipulation  in  unstructured  environments  presents  critical  challenges  that  conventional  industrial  robots-typically  rigid  systems  optimized  for  precision  and  repeatability-are  ill-equipped  to  handle.  Tasks  such  as  retrieving  objects  from  cluttered  shelves  or  carefully  handling  delicate  items  amidst  visual  occlusion  require  careful  mechanical  design  and  more  than  just  visual  and  proprioceptive  sensor  streams.  To  operate  effectively  in  these  environments,  robots  must  embrace  contact  instead  of  avoiding  it,  and  must  intelligently  integrate  mechanical  design,  sensor  feedback,  and  reactive  behaviors.  This  work  contributes  three  complementary  strategies  that  leverage  embodied  intelligence,  reflexive  control,  and  multimodal  machine  learning  to  perform  manipulation  in  complex  real-world  settings.First,  we  focus  on  how  passive  mechanical  properties  can  embody  robots  with  inherent  capabilities  for  grasping  highly  variable  objects.  This  type  of  intentional  passive  design  in  robotics  is  commonly  called  embodied  intelligence.  Toward  this  goal,  we  present  farmHand  ,  a  semi-anthropomorphic  robotic  hand  that  extends  gecko-inspired  adhesive  technology  beyond  its  traditional  manipulation  limits  by  integrating  it  with  novel  compliant  finger  pads.  These  ribbed  finger  pads  can  maintain  large  contact  area  even  under  misalignment,  provide  an  anti-peeling  behavior,  and  enable  load  sharing  across  contact  points  through  degressive  shear  stiffness.  Empirical  testing  confirms  farmHand  's  key  shape  matching  and  load  sharing  characteristics  in  addition  to  demonstrating  manipulation  tasks  across  various  object  types  and  scales.  This  design  utilizes  gecko-inspired  adhesion  in  tandem  with  embodied  intelligence  to  bridge  the  performance  gap  between  parallel  jaw  grippers  and  anthropomorphic  systems,  enabling  robust  grasping  of  objects  with  unpredictable  geometries  and  material  properties.Second,  we  develop  a  low-level,  reactive  control  framework  for  navigating  dense  clutter.  We  propose  two  motion  primitives-"burrow"  and  "excavate"-to  mitigate  jamming  when  reaching  amidst  constrained  clutter.  Experiments  in  hardware  and  simulation  validate  that  the  proposed  reflexes,  even  when  deployed  with  time-based  triggers,  enable  robots  to  advance  through  dense  configurations  of  movable  objects,  avoiding  jamming  and  facilitating  progress  where  straight  line  motions  fail.  We  then  develop  a  novel  soft  triaxial  tactile  sensor  which  is  used  to  build  a  hybrid  controller  that  utilizes  event-based  triggers  to  deploy  the  primitives.  This  event-based  hybrid  controller  demonstrates  over  80%  success  in  hardware  experiments,  outperforming  both  straight  line  motions  and  time-based  deployment  of  the  primitives.  These  results  underscore  the  importance  of  local  force-based  feedback  for  dynamic  interaction,  especially  in  severely  occluded  and  cluttered  environments.Finally,  we  investigate  the  impact  of  force  sensing  for  high-level  motion  planning  in  unstructured  environments.  We  conduct  multimodal  learning  for  contact-rich  manipulation  tasks,  focusing  on  non-prehensile,  visually  occluded,  and  physically  constrained  object  retraction.  Using  vision,  proprioception,  wrench  information,  soft  tactile  sensors,  and  suction  grasping,  our  system  learns  to  gently  retract  objects  from  dense  clutter  through  imitation  learning.  An  ablation  experiment  on  a  set  of  four  trained  policies-ranging  from  the  baseline  using  vision  and  proprioception  only  to  fully  force-informed-reveal  that  tactile  and  wrench  sensing  greatly  improve  performance  on  this  task.  All  policies  with  access  to  any  force  sensing  modality  improve  safety,  reduce  completion  time,  and  significantly  improve  success  rate,  with  the  fully  force-informed  policy  outperforming  the  baseline  policy  by  80%.  Each  policy  which  lacked  even  a  single  force  modality  exhibited  significantly  increased  timeout  failures,  indicating  the  importance  of  providing  policies  with  observations  that  appropriately  correspond  with  demonstrated  strategies.Together,  these  contributions  provide  a  roadmap  for  a  new  generation  of  robotic  manipulators  that  combine  mechanical  intelligence,  reactive  control,  and  high-level  learning  informed  by  multimodal  force  information.  The  integration  of  thoughtful  mechanical  design,  tactile  sensing  not  just  at  the  fingertips,  and  force-informed  strategies  at  each  level  in  the  control  architecture  represents  a  critical  shift  in  the  design  of  robot  systems  capable  of  robustly  interacting  with  complex  physical  environments.
■590    ▼aSchool  code:  0212.
■650  4▼aKinematics
■650  4▼aMechanical  engineering
■650  4▼aRobotics
■653    ▼aMachine  learning
■653    ▼aRobotic  manipulation
■690    ▼a0548
■690    ▼a0771
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360740▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서