MARC

 008250123s2024        us                              c    eng  d
■001000017162688
■00520250211152041
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384469308
■035    ▼a(MiAaPQ)AAI31336722
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aVats,  Shivam.
■24510▼aPlan  to  Learn:  Active  Robot  Learning  by  Planning
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a107  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Likhachev,  Maxim;Kroemer,  Oliver.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2024.
■520    ▼aRobots  hold  the  promise  of  becoming  an  integral  part  of  human  life  by  helping  us  in  our  homes,  out  on  farms  and  in  our  factories.  However,  current  robots  lack  the  motor  skills  necessary  to  perform  everyday  manipulation  tasks,  operate  outside  structured  settings  and  interact  with  humans.  This  thesis  advocates  the  principles  of  active,  continual  and  collaborative  learning  to  allow  a  robot  to  autonomously  learn  the  skills  necessary  to  master  its  domain.  We  propose  a  novel  Plan  to  Learn  (P2L)  framework  in  which  the  robot  solves  a  meta  planning  problem  to  decide  which  skills  it  should  learn  so  that  it  can  achieve  its  long-term  objective  while  minimizing  the  cost  of  data  collection.  We  formalize  and  study  this  idea  from  both  a  practical  and  a  theoretical  lens  in  two  challenging  scenarios.First,  we  explore  how  robots  can  plan  to  learn  as  part  of  a  collaborative  human-robot  team.  We  develop  an  optimal  mixed  integer  programming-based  planner  Act,  Delegate,  or  Learn  (ADL)  to  allocate  tasks  and  decide  which  skills  the  robot  should  learn  to  reduce  its  teammate's  workload.  We  also  provide  log(n)-approximation  algorithms  for  ADL  by  showing  that  it  is  an  instance  of  the  well-known  uncapacitated  facility  location  problem.  Next,  we  explore  multi-step  tasks,  such  as  opening  a  door,  which  require  several  skills  to  be  sequenced.  Our  first  algorithm  MetaReasoning  for  Skill  Learning  (MetaReSkill)  estimates  a  probabilistic  model  of  skill  improvement  to  identify  and  prioritize  skills  that  are  both  easy  to  learn  and  most  relevant  to  the  over-  all  task.  Finally,  we  present  a  hierarchical  reinforcement  learning  formulation  to  solve  the  P2L  problem  for  recovery  learning.  RecoveryChaining  learns  both  where  and  how  to  recover  by  leveraging  a  hybrid  action  space  consisting  of  primitive  robot  actions  and  nominal  options  that  transfer  control  to  a  model-based  controller.  We  demonstrate  the  effectiveness  of  our  P2L  framework  on  a  variety  of  practically  motivated  and  challenging  manipulation  tasks  both  in  simulation  and  in  the  real  world.This  thesis  is  only  a  first  step  towards  the  ambitious  goal  of  building  autonomously  learning  robots  that  plan  to  learn.  We  sincerely  hope  that  the  developed  framework  and  its  instantiations  on  these  manipulation  tasks  will  pave  the  way  for  further  research.
■590    ▼aSchool  code:  0041.
■650  4▼aRobotics
■650  4▼aComputer  science
■653    ▼aActive  learning
■653    ▼aHuman-robot  collaboration
■653    ▼aManipulation
■653    ▼aPlanning
■653    ▼aRobot  learning
■653    ▼aSkill  learning
■690    ▼a0771
■690    ▼a0984
■690    ▼a0800
■71020▼aCarnegie  Mellon  University▼bRobotics  Institute.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162688▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서