MARC

 008240612s2022      us  |||||||||||||||c||eng  d
■001000016931148
■00520240214095926
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380367677
■035    ▼a(MiAaPQ)AAI29327855
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aEbert,  Frederik  D.
■24510▼aLarge-Scale  Real-World  Robotic  Manipulation  Using  Diverse  Data▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Berkeley.  ▼c2022
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2022
■300    ▼a1  online  resource(127  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Levine,  Sergey;Finn,  Chelsea.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2022.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aRecent  breakthroughs  in  computer  vision  and  natural  language  processing  have  been  largely  propelled  by  scaling  up  both  dataset  diversity  as  well  as  model  capacity,  leading  to  robust  generalization.  In  this  thesis  I  am  addressing  the  question  of  1)  whether  for  learning-based  robotic  manipulation  we  can  similarly  scale  up  dataset  diversity  and  model  capacity  in  order  to  achieve  generalization  and  adaptation  to  new  scenes  and  environments,  new  objects,  new  tasks  and  even  different  types  of  robots,  and  2)  the  question  of  how  re-collecting  data  from  scratch  for  every  new  task  and  environment  can  be  avoided,  since  this  often  leads  to  poor  generalization  and  performance.  To  answer  these  questions  we  propose  two  different  methodologies,  a  model-based  reinforcement  learning  approach  based  on  video-prediction,  and  a  model-free  and  imitation-learning-based  approach.  We  collect  several  of  the  biggest  robotic  interaction  datasets  to  date,  and  show  that  by  leveraging  and  effectively  reusing  diverse  prior  datasets,  we  can  allow  an  agent  to  generalize  to  never-before-seen  objects,  learn  new  tasks  based  on  only  a  handful  of  demonstrations,  and  even  adapt  to  new  robot  types.
■590    ▼aSchool  code:  0028.
■650  4▼aRobotics.
■650  4▼aComputer  science.
■653    ▼aRobotic  manipulation
■653    ▼aDiverse  data
■653    ▼aNatural  language  processing
■653    ▼aLearning-based  approach
■690    ▼a0771
■690    ▼a0984
■690    ▼a0800
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2022
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931148▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books