MARC

 008250123s2024        us                              c    eng  d
■001000017160169
■00520250211150925
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798381974874
■035    ▼a(MiAaPQ)AAI30988450
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aWang,  Tianyu.
■24510▼aLearning  Generalizable  Robot  Policies  by  Understanding  Semantics  and  Logic  from  Task  Demonstrations
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a151  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-10,  Section:  B.
■500    ▼aAdvisor:  Atanasov,  Nikolay.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aAutonomous  robots  have  the  potential  to  play  a  critical  role  in  various  aspects  of  modern  life,  including  search  and  rescue,  autonomous  driving,  medical  surgery,  agricultural  farms,  etc.  Reinforcement  learning  algorithms  allow  intelligent  agents  to  discover  optimal  behavior  through  trial  and  error  from  the  interactions  with  the  environment  and  have  been  successfully  applied  to  playing  video  games,  mastering  the  game  of  Go  and  training  large  language  models.  In  robotics,  this  data  driven  learning  approach  is  also  promising  for  locomotion,  manipulation  and  navigation.    When  demonstrations  are  available,  an  agent  can  learn  to  perform  a  task  by  imitating  expert  behavior.  However,  the  agent  has  to  generalize  to  novel  scenarios  that  are  not  seen  in  training.  This  thesis  introduces  two  aspects  to  learn  generalizable  policies  from  demonstrations.  The  first  method  infers  a  cost  function  from  semantic  and  geometric  information  from  observations  and  can  generalize  to  unseen,  dynamic,  partially  observable  simulated  environments  for  autonomous  driving  scenarios.  The  second  method  infers  task  logic  from  demonstrations  which  are  in  turn  used  as  constraints  for  motion  planning.  It  exploits  the  hierarchical  logic  structure  from  demonstrated  trajectories  and  can  generalize  to  sequential,  compositional  planning  problems.Another  challenge  towards  deploying  robots  in  the  natural  world  is  the  ability  to  bridge  the  simulation  to  reality  gap.  While  simulation  provides  training  data  at  low  cost,  the  policy  should  be  able  to  account  for  mismatches  in  sensing  and  actuation  when  deployed  on  real  robots.  To  address  these  challenges,  this  dissertation  introduces  a  latent  space  alignment  approach  where  policies  trained  on  a  source  robot  can  be  adapted  to  a  target  robot  of  different  embodiments.  Finally,  this  dissertation  also  presents  a  sim-to-real  method  for  throwing  and  catching  objects  with  bimanual  robots,  where  they  need  to  cooperate  precisely  to  interact  with  diverse  objects  at  high  speed.
■590    ▼aSchool  code:  0033.
■650  4▼aElectrical  engineering
■650  4▼aComputer  engineering
■650  4▼aRobotics
■653    ▼aAutonomous  robots
■653    ▼aReinforcement  learning  algorithms
■653    ▼aMotion  planning
■690    ▼a0544
■690    ▼a0464
■690    ▼a0771
■71020▼aUniversity  of  California,  San  Diego▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-10B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160169▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books