Model-based non-prehensile manipulation on a tabletopunder uncertain dynamics
Belirsiz dinamikler altında masa st nde model tabanlı Kavramayan manip lasyon
- Tez No: 975204
- Danışmanlar: YRD. DOÇ. DR. BARIŞ AKGÜN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Veriye dayalı düzlemsel itme yöntemleri, analitik yaklaşımlara kıyasla, mühendislik çaba-sını azaltmayı ve genelleştirmeyi artırmayı hedefledikleri için takın zamanda ilgi görmeye başlamıştır. Mevcut çalışmalar genellikle dar kapsamlı olup belirli yeteneklere (ör. taraf değiştirme, hassasiyet, modelsiz öğrenme, tek görev vb.) odaklanmakta ve bu da daha geniş manipülasyon senaryolarındaki uygulanabilirliklerini sınırlamaktadır. Bu çalışmada, yeniden eğitime gerek duymadan tek bir öğrenilmiş model kullanarak birden fazla görevi ve amacı yerine getirmeyi hedefleyen model-tabanlı bir masaüstü itme çerçevesi sunulmaktadır. Yapılan çalışmaada, GRU-tabanlı bir model aracılığıyla nesne–çevre etkileşim dinamiklerini örtük biçimde yakalayan ve ek doğrusal olmayan katmanlar ile ifade gücü arttırılmış bir mimari tasarlanmıştır. Ek olarak, bu mimariye uygun özgün bir durum-hareket temsili geliştirilmiştir. Mimari ve temsil, itme becerisine özelleşmiş, ve belirsiz dinamiklere, farklı itme uzunluklarına, nesne tarafı değiştirilmesine ve çeşitli görev gereksinimlerine genelleyecek şekilde tasarlanmıştır. Kontrol için, öğrenilmiş dinamik modelinden yararlanarak uyarlanabilir ve görev odaklı eylemler üreten örnekleme-tabanlı bir model öngörülü denetleyici (Model Predictive Path Integral yönteminin özelleştirilmiş bir versiyonu), kullanılmaktadır. Önerilen yöntem, itme sırasında nesne tarafı değiştirmeyi mümkün kılmakta, değişken itme uzunluklarını desteklemekte ve hassas konumlama, yörünge takibi ve engelden kaçınma gibi çeşitli görevleri yerine getirme kapasitesine sahiptir. Model, simülasyondan gerçek ortama aktarımı kolaylaştırmak amacıyla alan rassallaştırılması kullanılarak elde edilen simülasyondan verilerinden eğitilmiştir. Önce-likle, mimari bileşenleri değerlendirmek için kapsamlı çalışmalar yürütülüp, tasarım kararlarının tahmin doğruluğunu artırdığını ve daha kararlı çıktılar sağladığını gösterilmektedir. Ardından, tam sistem hem simülasyonda hem de gerçek dünya deneylerinde, işaretsiz görsel takip donanımlı bir Franka Panda robotu kullanarak test edilmiştir. Sonuçlar, sıkı pozisyon ve açı eşiklerinde hassas konumlama için yüksek başarı oranlarına ek olarak yörünge takibi ve engelden kaçınma görevlerinde güçlü performans ortaya koymaktadır. Ek olarak, önerilen yöntemin çok yönlülüğü, denetleyicinin amaç fonksiyonu değiştirilerek birden fazla görevin çözülmesiyle, herhangi bir model yeniden eğitimi gerektirmeden gösterilmektedir. Yaklaşımımızın bir dezavantajı tek bir nesne türüne odaklanmasıdır. Ancak, bu temelden yola çıkarak daha ileri bir yöntem daha geliştirilmiştir. Bu yöntem için daha geniş itme uzunluklarını tahminleyebilen bir model eğitilmiş ve uzak hedeflere ulaşmak için gereken adım sayısını azaltan ve en etkili itme davranışlarnını seçen dengeli bir denetleyici daha tasarlanmış ve hassas konumlama görevinde başarıyla test edilmiştir.
Özet (Çeviri)
Data-driven planar pushing methods have recently gained attention as they aim to reduce extensive engineering effort and increase generalization compared to purely analytical approaches. Existing work focus narrowly on specific capabilities (e.g. a subset of side switching, precision, model-free training, single task etc), limiting their applicability in broader manipulation scenarios. In this work, we present a model-based framework for non-prehensile tabletop pushing, motivated by the goal of using a single learned model to handle multiple tasks and objectives without retraining. Our approach is built on a novel recurrent architecture that implicitly captures object–environment interaction dynamics through a GRU-based model, enhanced with additional non-linear layers to improve expressivity and stability. To complement this architecture, we design a unique state–action representation tailored to pushing dynamics, which allows the model to generalize effectively across, uncertain dynamics, push lengths, and task requirements. For control, we employ a sampling-based model predictive controller, specifically Model Predictive Path Integral (MPPI), which leverages the learned dynamics model to generate adaptive, taskoriented actions. The proposed framework enables side-switching during pushes, supports variable push lengths, and incorporates diverse objectives such as precise positioning, trajectory following, and obstacle avoidance. The model is trained from simulation using domain randomization to facilitate sim-to-real transfer. We first conduct extensive studies to evaluate the architectural components, demonstrating that our design decisions lead to improved prediction accuracy and more stable rollouts. We then assess the full system in both simulation and real-world experiments, using a Franka Panda robot with markerless visual tracking. Our results show high success rates for precise positioning under strict position and orientation thresholds, and strong performance in trajectory tracking and obstacle-avoidance tasks. Importantly, the versatility of our framework is demonstrated by solving multiple tasks simply by modifying the objective function of the controller,without requiring any model retraining. One drawback of our approach is that we focus on a single type of object. However, we further improve our framework based on this by training a model capable of handling wider push lengths and by designing a balanced controller that selects the most effective action, thereby reducing the number of steps required to achieve longer-horizon objectives.
Benzer Tezler
- Case-based mobile manipulation
Durum tabanlı hareketli manipülasyon
TEKİN ALP MERİÇLİ
Doktora
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN LEVENT AKIN
- Tasarlama faaliyeti ve tasarımcı nitelikleri üzerine bir inceleme
A Study on the design activity and the characteristics o designers
TÜRKAN TURUTHAN
- Transition of wire-disturbed cylinder wake flow
Başlık çevirisi yok
İLHAN YILDIRIM
Doktora
İngilizce
2011
Fizik ve Fizik MühendisliğiTechnısche Unıversıteıt EındhovenPROF. DR. ANTON VAN STEENHOVEN
DR. CAMILO RINDT
- A novel and effective method based deep learning model for detecting non-technical electricity losses
Başlık çevirisi yok
ISRAA MOHAMMED RIDHA BALDAWI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TİMUR İNAN
- Doğrusal olmayan tek boyutlu manyetik levitasyon sisteminin model tabanlı kontrolü
Model based control of non linear one dimensional magnetic levitation system
MUHAMMET EMRE SANCI
Yüksek Lisans
Türkçe
2016
Elektrik ve Elektronik MühendisliğiPamukkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR İPLİKÇİ