Show simple item record

dc.contributorUniversitat Jaume I. Departament d'Enginyeria i Ciència dels Computadors
dc.contributor.authorCervera Mateu, Enric
dc.date.accessioned2011-04-12T20:00:58Z
dc.date.accessioned2019-11-18T07:57:03Z
dc.date.available2008-06-19
dc.date.available2019-11-18T07:57:03Z
dc.date.issued1997-10-17
dc.date.submitted2008-06-19
dc.identifier.isbn9788469152539
dc.identifier.urihttp://www.tdx.cat/TDX-0619108-131157
dc.identifier.urihttp://hdl.handle.net/10803/10377
dc.description.abstractRobots must successfully execute tasks in the presence of uncertainty. <br/>The main sources of uncertainty are modeling, sensing, and control. Fine motion problems involve a small-scale space and contact between objects.<br/>Though modern manipulators are very precise and repetitive, complex tasks may be difficult --or even impossible-- to model at the desired degree of exactitude; moreover, in real-world situations, the environment is not known a-priori and visual sensing does not provide enough accuracy. <br/>In order to develop successful strategies, it is necessary to understand what can be perceived, what action can be learnt --associated-- according to the perception, and how can the robot optimize its actions with regard to defined criteria.<br/>The thesis describes a robot programming architecture for learning fine motion tasks.<br/>Learning is an autonomous process of experience repetition, and the target is to achieve the goal in the minimum number of steps. Uncertainty in the location is assumed, and the robot is guided mainly by the sensory information acquired by a force sensor.<br/>The sensor space is analyzed by an unsupervised process which extracts features related with the probability distribution of the input samples. Such features are used to build a discrete state of the task to which an optimal action is associated, according to the past experience. The thesis also includes simulations of different sensory-based tasks to illustrate some aspects of the learning processes. <br/>The learning architecture is implemented on a real robot arm with force sensing capabilities. The task is a peg-in-hole insertion with both cylindrical and non-cylindrical workpieces.eng
dc.format.mimetypeapplication/pdf
dc.language.isoeng
dc.publisherUniversitat Jaume I
dc.sourceTDX (Tesis Doctorals en Xarxa)
dc.subject.otherCiència de la Computació i Intel·ligència Artificial
dc.titlePerception-Based Learning for Fine Motion Planning in Robot Manipulation
dc.typeinfo:eu-repo/semantics/doctoralThesis
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.subject.udc004cat
dc.contributor.directorPobil, Àngel Pasqual del
dc.rights.licenseADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
dc.contributor.authoremailecervera@icc.uji.es
dc.contributor.authoremailshowtrue
dc.rights.accessLevelinfo:eu-repo/semantics/openAccess


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record