MARC

 008260126s2025        us                              c    eng  d
■001000017359870
■00520260202105228
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291566886
■035    ▼a(MiAaPQ)AAI32271867
■035    ▼a(MiAaPQ)umichrackham006509
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼avan  den  Bogert,  William.
■24510▼aPerception  and  Controls  for  Task-Flexible  Manufacturing  Robots
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a104  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Fazeli,  Nima;Shih,  Albert.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aIn  practice,  automation  in  industrial  manufacturing  succeeds  with  limited  task  flexibility.  Hardware  is  designed  with  a  few  specific  purposes  in  mind.  This  has  costly  side-effects  when  designs  for  products  are  changed  or  manufacturing  methods  are  improved.  The  rapidly  evolving  field  of  robotics  opens  up  new  possibilities  for  systems  that  are  task-flexible.  In  this  dissertation,  I  develop  and  demonstrate  intelligent,  task-flexible  systems  for  manufacturing  and  robotic  manipulation.  These  systems  rely  heavily  on  perception  and  controls  methods  at  the  intersection  of  recently  introduced  machine  learning-based  methods,  and  traditional  computer  vision,  geometrical,  and  model-based  methods.  While  the  chapters  presented  in  this  thesis  are  diverse,  they  all  illustrate  ways  to  improve  performance,  certainty,  and  precision  in  industrial  robotics  systems  where  these  aspects  are  vital.  I  first  propose  a  framework  for  for  compensation  and  control  in  robotic  high-viscosity  fluid  deposition,  a  process  tied  to  additive  manufacturing  and  sealant/adhesive  dispensing.  This  method  relies  on  a  learned  but  generalizable  model,  alongside  classical  model  predictive  control.  A  novel  on-hand  vision-based  flow  rate  sensor  is  introduced  as  a  perception  component  to  solving  this  problem,  and  this  sensor  relies  on  learned  segmentation  models.  The  following  chapters  rely  on  vision-based  tactile  sensing  for  their  perception  component.  Tactile  sensing  provides  much  flexibility  in  comparison  to  visual  sensing,  as  it  is  subject  to  less  of  a  distribution  shift  and  resistant  to  heavily  occluded  environments.  I  next  propose  a  framework  for  transferring  compliant  robot  behavior,  typical  for  human-robot  collaboration,  across  embodiments.  Through  this  framework,  impedance  control  can  be  replicated  on  robots  with  just  tactile  sensing  and  no  force-torque  sensing.  Finally,  I  consult  the  problem  of  precise  robotic  assembly,  such  as  threading  or  low-clearance  non-chamfered  insertion.  Modern  robotic  methods  like  behavior  cloning  have  previously  demonstrated  low  success  rates  for  precise  tasks  using  purely  tactile  sensing.  This  is  improved  upon  using  Grasped  Object  Manifold  Projection  (GOMP),  proposed  in  the  final  work  of  this  thesis.  GOMP  demonstrates  the  strength  of  geometric  methods  applied  on  top  of  state-of-the-art  imitation  learning.  In  summary,  this  dissertation  proposes  generalizable,  task-flexible  methods  in  manufacturing  and  manipulation,  combining  the  advantages  of  machine  learning  with  classical  engineering.
■590    ▼aSchool  code:  0127.
■650  4▼aMechanical  engineering
■650  4▼aRobotics
■650  4▼aEngineering
■653    ▼aManufacturing  automation
■653    ▼aAdditive  manufacturing
■653    ▼aTactile  sensing
■653    ▼aBehavior  cloning
■653    ▼aPerception  and  controls
■690    ▼a0771
■690    ▼a0548
■690    ▼a0800
■690    ▼a0537
■71020▼aUniversity  of  Michigan▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359870▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books