MARC

 008250123s2024        us                              c    eng  d
■001000017161792
■00520250211151446
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384452522
■035    ▼a(MiAaPQ)AAI31296445
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aHoque,  Ryan.
■24510▼aScalable  Lifelong  Imitation  Learning  for  Robot  Fleets
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a196  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Goldberg,  Ken.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aRecent  breakthroughs  in  deep  learning  have  revolutionized  natural  language  processing,  computer  vision,  and  robotics.  Nevertheless,  reliable  robot  autonomy  in  unstructured  environments  remains  elusive.  Without  the  Internet-scale  data  available  for  language  and  vision,  robotics  faces  a  unique  chicken-and-egg  problem:  robot  learning  requires  large  datasets  from  deployment  at  scale,  but  robot  learning  is  not  yet  reliable  enough  for  deployment  at  scale.  We  propose  a  scalable  human-in-the-loop  learning  paradigm  as  a  potential  solution  to  this  paradox,  and  we  argue  that  it  is  the  key  ingredient  behind  the  recent  growth  of  large-scale  robot  deployments  in  applications  such  as  autonomous  driving  and  e-commerce  order  fulfillment.  We  develop  novel  formalisms,  algorithms,  benchmarks,  systems,  and  applications  for  this  setting  and  evaluate  its  performance  in  extensive  simulation  and  physical  experiments.  This  dissertation  is  composed  of  three  complementary  parts.  In  Part  I,  we  propose  novel  algorithms  and  systems  for  interactive  imitation  learning,  in  which  autonomous  robots  can  actively  query  human  supervisors  for  assistance  when  needed.  In  Part  II,  we  introduce  interactive  fleet  learning,  which  generalizes  interactive  imitation  learning  to  multiple  robots  and  multiple  human  supervisors.  In  Part  III,  we  introduce  and  study  systems  for  remote  supervision  of  robot  fleets  over  the  Internet,  enabling  interactive  fleet  learning  at  a  distance.  Throughout  this  thesis,  we  design  algorithms  and  systems  with  an  emphasis  on  scalability  in  terms  of  the  number  of  robots,  number  of  humans,  amount  of  human  supervision  required,  dataset  size,  and  distribution  of  physical  locations.  We  conclude  with  a  discussion  of  limitations  and  opportunities  for  future  work.
■590    ▼aSchool  code:  0028.
■650  4▼aComputer  science
■650  4▼aRobotics
■650  4▼aComputer  engineering
■653    ▼aFleet  learning
■653    ▼aImitation  learning
■653    ▼aRobot  manipulation
■653    ▼aAutonomous  driving
■653    ▼aHuman  supervision
■690    ▼a0984
■690    ▼a0771
■690    ▼a0800
■690    ▼a0464
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161792▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books