ITEM METADATA RECORD
Title: Sequential Monte Carlo Methods for Rigorous Bayesian Modeling of Autonomous Compliant Motion (Recursieve Monte Carlo methodes voor het autonoom uitvoeren van robottaken in contact)
Other Titles: Sequential Monte Carlo Methods for Rigorous Bayesian Modeling of Autonomous Compliant Motion
Authors: Gadeyne, Klaas
Issue Date: 23-Sep-2005
Abstract: Het autonoom uitvoeren van robottaken in contact (Eng.~Autonomous Complian Motion, ACM) is \'e\'en belangrijke vaardigheid die nodig is om robots in te zetten in ongestructureerde omgevingen waar ze fysisch mee moeten interageren. Typische toepassingen zijn assemblagetaken waar de preciese positionering van de voorwerpen onmogelijk is (zoals in toepassingen voor ruimtevaart of onder het wateroppervlak), industri\"ele robots die werkstukken moeten bewerken zonder gebruik te maken van tijdrovende klemmingen en off-line meettechnieken, en service robots die moeten opereren in omgevingen waar mensen leven en waar de objecten die ze moeten manipuleren geen vaste plaats hebben. Deze thesis concentreert zich op \'e\'en aspect van ACM: het schatt en van onbekende geometrische parameters zoals de locatie en/of dimensies van voorwerpen uit de robot's omgeving. Dit werk ontwikkelt een Bayesiaanse aanpak die toelaat om te gaan met grote onzekerheden op de geometrische parameters. De onzekerheden zijn te wijten aan de onbekende locatie en vorm van de objecten die met elkaar in contact zijn enerzijds, en de onzekerheid over \emph{welke} geometrische primitieven van robot en omgeving met elkaar in contact zijn. Een expliciet hybride model laat toe om contactformatietransities te voorspellen gebaseerd op de huidige contactformatie, de waarde van de geometrische parameters en een hoog niveau taakplan. Dit model is een uitbreiding op Verborgen Markov Modellen met onbekende parameters. Recursieve Monte Carlo methodes schatten de geometrische parameters online aan de hand van bovenstaande modellen. Het hybride model kan ook gezien worden als een veralgemening van Jump Markov Modellen, wat inhoudt dat het toepassingsgebied ervan breder is dan de toepassingen uit deze thesis. Deze thesis beschrijft ook een classificatie van estimatie-algoritmes gebaseerd op de aard van de kansvariabelen. Deze classificatie verhoogt de bestaande inzichten in de relaties tussen de keuze van probabilistische modellen en de complexiteit van algoritmische implementaties. Ze helpt om roboticaspecialisten, die niet noodzakelijk specialisten zijn in estimatietechnieken, om het algoritme te kiezen dat best past bij de interactie-- en wereldmodellen die ze gebruiken. De structuur van de classificatie is ook de basis voor de Bayesiaanse estimatiebibliotheek (BFL) ontwikkeld in deze thesis. BFL is een o pen bron softwarebibliotheek die geen restricties oplegt met betrekking tot de aard van de kansvariabelen---zowel discrete, continue als hybride toestands-- en/of parametervariabelen zijn toegelaten---noch met betrekking tot de voorstelling van de a posteriori PDF (analytisch, Monte Carlo representatie, \dots). Het toepassin gsgebied van de bibliotheek is veel breder dan ACM.
Publication status: published
KU Leuven publication type: TH
Appears in Collections:Production Engineering, Machine Design and Automation (PMA) Section

Files in This Item:
File Description Status SizeFormat
phd.pdf Published 1704KbAdobe PDFView/Open

 


All items in Lirias are protected by copyright, with all rights reserved.