MARC

 008260126s2025        us                              c    eng  d
■001000017357861
■00520260202103610
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288865503
■035    ▼a(MiAaPQ)AAI32043083
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aChen,  Lawrence  Yunliang.
■24510▼aData-Centric  Generalization  for  Robot  Manipulation:  Simulation,  Augmentation,  and  Adaptation
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a243  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Goldberg,  Ken.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aRobot  learning  has  made  significant  strides  in  enabling  complex  manipulation  skills  across  a  variety  of  tasks.  Yet,  a  central  challenge  remains:  achieving  generalization.  Current  methods  often  falter  when  faced  with  unseen  objects,  novel  embodiments,  or  varying  environments.  This  dissertation  addresses  this  challenge  through  data-centric  approaches  to  enhance  the  generalization  of  robot  manipulation  policies,  focusing  on  three  pillars:  the  combined  use  of  simulation  and  real-world  data,  training-time  data  augmentation,  and  test-time  adaptation.  The  core  thesis  is  that  strategically  leveraging  and  augmenting  data  leads  to  robot  systems  that  are  more  data-efficient,  robust,  and  adaptable.The  first  two  parts  investigate  training-time  strategies  using  simulation  and  data  augmentation  to  build  robustness  into  the  policy.  This  includes  bridging  the  reality  gap  through  self-supervision  and  co-training  across  simulated  and  real-world  domains,  augmenting  data  to  simulate  varied  robot  morphologies  and  camera  viewpoints,  and  leveraging  simple  single-arm  demonstrations  to  train  coordinated  bimanual  policies.The  third  part  introduces  test-time  adaptation  techniques  that  avoid  costly  retraining.  I  present  methods  for  adapting  to  new  objects,  transferring  policies  across  diverse  robot  arms,  rapidly  imitating  novel  tasks  with  transformers,  and  enabling  zero-shot  grasping  via  multi-modal  models-allowing  robots  to  handle  novelty  in  tasks,  objects,  and  embodiments.Through  extensive  simulation  and  real-world  experiments,  this  dissertation  shows  that  data-centric  methods-simulation,  augmentation,  and  adaptation-can  enhance  generalization  across  tasks,  objects,  and  embodiments,  while  making  robot  learning  more  robust  and  efficient.
■590    ▼aSchool  code:  0028.
■650  4▼aRobotics
■650  4▼aComputer  science
■650  4▼aIndustrial  engineering
■653    ▼aRobot  learning
■653    ▼aRobot  systems
■653    ▼aData  augmentation
■653    ▼aData-centric  methods
■690    ▼a0771
■690    ▼a0800
■690    ▼a0984
■690    ▼a0796
■690    ▼a0546
■71020▼aUniversity  of  California,  Berkeley▼bIndustrial  Engineering  &  Operations  Research.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357861▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books