MARC

 008250123s2024        us                              c    eng  d
■001000017164633
■00520250211153025
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342747479
■035    ▼a(MiAaPQ)AAI31633673
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aKhandate,  Gagan  Muralidhar.
■24510▼aTowards  Human-Level  Dexterity  via  Robot  Learning
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a132  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Ciocarlie,  Matei.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aDexterous  intelligence-the  ability  to  perform  complex  interactions  with  multi-fingered  hands-is  a  pinnacle  of  human  physical  intelligence  and  emergent  higher-order  cognitive  skills.  However,  contrary  to  Moravec's  paradox,  dexterous  intelligence  in  humans  appears  simple  only  superficially.  Many  million  years  were  spent  co-evolving  the  human  brain  and  hands  including  rich  tactile  sensing.  Achieving  human-level  dexterity  with  robotic  hands  has  long  been  a  fundamental  goal  in  robotics  and  represents  a  critical  milestone  toward  general  embodied  intelligence.  In  this  pursuit,  computational  sensorimotor  learning  has  made  significant  progress,  enabling  feats  such  as  arbitrary  in-hand  object  reorientation.  However,  we  observe  that  achieving  higher  levels  of  dexterity  requires  overcoming  very  fundamental  limitations  of  computational  sensorimotor  learning.I  develop  robot  learning  methods  for  highly  dexterous  multi-fingered  manipulation  by  directly  addressing  these  limitations  at  their  root  cause.  Chiefly,  through  key  studies,  this  dissertation  progressively  builds  an  effective  framework  for  reinforcement  learning  of  dexterous  multi-fingered  manipulation  skills.  These  methods  adopt  structured  exploration,  effectively  overcoming  the  limitations  of  random  exploration  in  reinforcement  learning.  The  insights  gained  culminate  in  a  highly  effective  reinforcement  learning  that  incorporates  sampling-based  planning  for  direct  exploration.  Additionally,  this  thesis  explores  a  new  paradigm  of  using  visuo-tactile  human  demonstrations  for  dexterity,  introducing  corresponding  imitation  learning  techniques.
■590    ▼aSchool  code:  0054.
■650  4▼aRobotics
■650  4▼aComputer  engineering
■650  4▼aComputer  science
■653    ▼aDexterous  manipulation
■653    ▼aIn-hand  reorientation
■653    ▼aReinforcement  learning
■653    ▼aRobot  learning
■653    ▼aSampling-based  planning
■653    ▼aTactile  sensing
■690    ▼a0771
■690    ▼a0800
■690    ▼a0984
■690    ▼a0464
■71020▼aColumbia  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164633▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서