MARC

 008250123s2024        us                              c    eng  d
■001000017163925
■00520250211152810
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384058847
■035    ▼a(MiAaPQ)AAI31557817
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aXu,  Zhenjia.
■24510▼aDiverse  and  Scalable  Skill  Acquisition  for  Robot  Manipulation
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a117  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Song,  Shuran.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aThe  acquisition  of  capable  robot  manipulation  skills  is  a  critical  prerequisite  for  the  widespread  deployment  of  robots  in  real-world  environments,  from  household  tasks  to  industrial  applications.  However,  current  robot  manipulation  systems  remain  limited  in  their  ability  to  handle  the  diversity  of  objects,  materials,  and  manipulation  actions  required  in  the  real  world.  Data-driven  methods  have  shown  impressive  results  toward  generalizing  across  a  variety  of  problems,  but  existing  approaches  often  require  costly  data  collection  using  real  robot  platforms,  hindering  the  scalability  of  skill  acquisition.In  this  dissertation,  we  aim  to  push  the  limits  of  robotic  manipulation  task  diversity  by  providing  mechanisms  to  acquire  new  skills  in  a  scalable  manner.  Achieving  the  "right"  data  with  large  quantity  and  high  quality  is  of  vital  importance.  We  approach  this  problem  by  leveraging  physics  simulators.  Different  from  commonly  used  rigid  body  simulators,  we  have  customized  simulators  to  support  deformable  objects  with  diverse  materials  and  dynamics.  Aerodynamics  and  fracture  effects  are  also  included  to  enable  a  wider  range  of  manipulation  actions  such  as  blowing  and  cutting.  With  sophisticated  system  design,  including  proper  representation  selection  and  customized  hardware  design,  the  policies  trained  in  simulation  can  be  seamlessly  applied  to  real  robots.More  specifically,  this  dissertation  presents  a  series  of  works  to  address  the  challenges  of  diversity  and  scalability  in  robot  manipulation  skill  acquisition.  First,  we  introduce  UMPNet,  a  universal  policy  network  that  can  infer  closed-loop  action  sequences  for  manipulating  a  wide  range  of  articulated  objects  using  only  visual  input.  Second,  we  present  DextAIRity,  a  system  that  leverages  active  airflow  to  enable  safe  and  effective  deformable  object  manipulation,  expanding  the  repertoire  of  skills  beyond  traditional  contact-based  methods.  Third,  we  describe  RoboNinja,  a  cutting  system  for  multi-material  objects.  With  an  interactive  state  estimator  and  an  adaptive  cutting  policy,  RoboNinja  successfully  removes  the  soft  part  of  an  object  while  preserving  the  rigid  core.
■590    ▼aSchool  code:  0054.
■650  4▼aRobotics
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■653    ▼aRobot  manipulation
■653    ▼aObject  manipulation
■653    ▼aClosed-loop  action
■653    ▼aRoboNinja
■653    ▼aSkill  acquisition
■690    ▼a0771
■690    ▼a0984
■690    ▼a0464
■690    ▼a0800
■71020▼aColumbia  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163925▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books