Tez No	İndirme	Tez Künye	Durumu
387376		Case-based mobile manipulation / Durum tabanlı hareketli manipülasyon Yazar:TEKİN ALP MERİÇLİ Danışman: PROF. DR. HÜSEYİN LEVENT AKIN Yer Bilgisi: Boğaziçi Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2014 133 s.
Ortamı manipüle edebilme, insanların günlük yaşamlarının önemli ölçüde bu yetiye dayandığı düşünülürse, özerk hareketli servis robotlarının sahip olması beklenen özelliklerin başında gelmektedir. Tam formu görevin gereksinimleri ile ortamın, nesnenin, ve robotun fiziksel özellikleri nedeniyle ortaya çıkan kısıtlarca belirlenmekle birlikte, hareketli bir robot pek çok şekilde manipülasyon yapabilir. Çeşitli incelemeler insanların günlük manipülasyon görevlerinde çoğunlukla etkileşim ve gözlem sonucu elde ettikleri manipülasyon tecrübelerinden faydalandıklarını göstermektedir. Bu motivasyonla, bu tez çalışması, pratik ve etkili hareketli manipülasyonun nesneye özgü, ayrık, ve potansiyel olarak olasılıksal durumlar şeklinde saklanan geçmiş tecrübelerin yeniden kullanılması ile başarıldığı durum temelli bir yaklaşım sunmaktadır. İlgilenilen nesnenin kavranabildiği senaryolarda, insanların hedefe (nesne ya da varış yeri) kabaca ve olabildiğince doğrudan uzandıktan sonra, görevin başarıyla tamamlanabilmesini garantilemek için, hedefin yakınında hedefe özgü ufak bir grup hassas hareketi kullanma eğiliminde olduklarını gözlemlemekteyiz. Bu nesneye özgü göreli hareketlerin kritik olmakla birlikte tekrar eden mahiyetlerinden esinlenerek, robotun bu durumların ufak bir kümesini ezberleyip durum tabanında saklamasını ve manipülasyon planlama ve icra etmede kılavuz olmaları için mümkün olduğunca yeniden kullanmasını sağlamaktayız. Örnekleme tabanlı üretici planlama algoritmalarıyla birleştirildiğinde, bu kılavuzluk, kabaca ve doğrudan uzanma etkisini oluşturmak üzere planlama sürecini kasıtlı olarak uygulanabilir durumlara doğru yönlendirerek planlama zamanını azaltmaya yardımcı olmaktadır. Buna ek olarak, erişilen durumları tekrar ederken icrayı gözlemleyip denetlemek görevin başarılma oranını arttırmaktadır. Deney sonuçlarımız, elde bulunan kısmi plan ve icralarla yoktan üretilenlerin birbirini tamamlayan kombinasyonunun hızlı, güvenilir, ve tekrarlanabilir çözümler sağladığını göstermektedir. İlgilenilen nesneler çok ağır ya da irilerse, ya da robot bir kavrama mekanizmasından yoksunsa, manipülasyon itme aracılığıyla hala mümkün olabilir. Bununla birlikte, gerçekçi iterek-manipülasyon senaryolarında robot, nesne, ve ortam arasındaki potansiyel fiziksel etkileşimlerin karmaşıklığı çok fazladır. Bu da genellenebilir analitik hareket ve etkileşim modelleri kurmayı ya da her robot, nesne, ve ortam kombinasyonu için fizik motorlarının parametrelerinin ayarlanmasını zorlaştırmaktadır. Bu problemi esnek bir şekilde çözebilmek amacıyla, robotun etkileşim ve gözlem aracılığıyla itilebilir gerçek dünya nesneleri için ayrık, deneysel, olasılıksal hareket modelleri (yani olasılıksal durumlar) edinmesini sağlayan bir durum tabanlı iterek-manipülasyon sistemi sunmaktayız. Daha sonra bu olasılıksal durumlar, ilgilenilen nesneyi istenen hedef konuma taşıyabilmek ve sıkışık görev ortamlarında potansiyel olarak karşılaşılabilecek engelleri yoldan çekebilmek için gereken güvenli ve başarılabilir itme planlarını oluşturmak için yapıtaşları olarak kullanılmaktadırlar. Buna ek olarak, olasılıksal durumların artımsal olarak edinilip iyileştiriliyor olmaları, robotun ilgilenilen nesnelerin nakliye amacıyla yüklenmeleri ya da boşaltılmaları sonucu kütlelerinin değişmesi gibi durumlara uyum sağlayabilmesine imkan tanımaktadır. Çok geniş kapsamlı deneylerle gösterdiğimiz üzere, tamamen etkileşim ve gözleme dayalı doğası, sunduğumuz yöntemi robottan, nesneden, ve ortamdan (gerçek ya da benzetim) bağımsız hale getirmektedir. Ayrıca geliştirdiğimiz iterek-manipülasyon yönteminin geçerliliğini bir takım öncü gerçek dünya deneyleriyle de doğrulamaktayız.
The ability to manipulate the environment is one of the primary skills that autonomous mobile service robots are expected to have, considering that the daily lives of humans heavily rely on this skill. There are various ways for a mobile robot to perform manipulation, the exact form of which is determined by the requirements of the task and the constraints imposed by the physical properties of the environment, the object, and the robot itself. Anecdotal evidence suggests that humans mostly reuse their manipulation experiences, acquired through interaction and observation, especially in recurring everyday manipulation tasks, both in prehensile and non-prehensile manipulation contexts. With this motivation, this thesis contributes a case-based approach to achieving practical and efficient mobile manipulation through the utilization of past experience, stored as object-specific, distinct, and potentially probabilistic cases. In scenarios where the objects of interest can be grasped, we observe that humans tend to reach for the targets (i.e. the object of interest or the destination) roughly and as directly as possible while exploiting a small set of target-specific critical moves within their close proximity to guarantee successful completion of the task. Inspired by the critical yet recurring nature of these target-specific relative moves, we let the robot memorize and store a small number of them as cases in its case base, and reuse them whenever possible to guide manipulation planning and execution. When combined with sampling-based generative planners, this guidance helps reduce planning time by deliberately biasing the planning process towards the feasible cases to achieve the rough and direct approach effect. Additionally, monitoring the execution while reiterating the reached cases improves task success rate. Our experiments show that this complementary combination of the already available partial plans and executions with the ones generated from scratch yields to fast, reliable, and repeatable solutions. When the objects of interest are too heavy or bulky, or a grasping mechanism is not available, it may still be possible to perform manipulation through pushing. However, in realistic mobile push-manipulation scenarios, the complexity of the potential physical interactions between the robot, the objects, and the environment is vast. This makes it non-trivial to write generic analytical motion and interaction models or tune the parameters of physics engines for every robot, object, and environment combination. In order to handle this problem flexibly, we introduce a case-based push-manipulation framework that enables the robot to acquire, through interaction and observation, a set of discrete, experimental, probabilistic motion models (i.e. probabilistic cases) for pushable passively-mobile real world objects. These probabilistic cases are then used as building blocks for constructing safe and achievable push plans to navigate the object of interest to the desired goal pose as well as to potentially push the movable obstacles out of the way in cluttered task environments. Additionally, incremental acquisition and tuning of the probabilistic cases allows the robot to adapt to the changes in the environment, such as increased mass due to loading of the object of interest for transportation purposes. The purely interaction and observation driven nature of our method makes it robot, object, and environment (real or simulated) independent, as we demonstrate through extensive testing and experimentation. We also verify the validity of our push-manipulation method in preliminary real world tests.