MARC

 008260126s2025        us                              c    eng  d
■001000017359257
■00520260202104856
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288814785
■035    ▼a(MiAaPQ)AAI32201019
■035    ▼a(MiAaPQ)Stanfordwz861bd4280
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aLi,  Chengshu.
■24510▼aTowards  a  Comprehensive  Benchmark  for  Embodied  AI  and  Robotics
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a314  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Li,  Fei-Fei.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aThis  dissertation  explores  two  key  research  directions  toward  enabling  general-purpose  embodied  agents:  the  development  of  realistic,  large-scale  benchmarks  and  environments,  and  the  design  of  learning  frameworks-particularly  action  space  representations-that  support  efficient  policy  learning  for  long-horizon  mobile  manipulation  tasks.  The  first  line  of  work  establishes  a  closed-loop  ecosystem  for  benchmarking  and  training  embodied  agents.  Beginning  with  iGibson  1.0  and  2.0,  we  develop  physically  interactive  3D  simulation  platforms  capable  of  supporting  complex  object  interactions  in  realistic  household  environments.  Building  on  these  foundations,  we  introduce  the  BEHAVIOR  and  BEHAVIOR-1K  benchmarks-comprising  100  and  1,000  everyday  household  activities,  respectively-grounded  in  human  time-use  data,  defined  using  a  flexible  logic-based  language,  and  supported  by  human  VR  demonstrations.  To  enable  scalable  data-driven  policy  training,  we  propose  MoMaGen,  a  demonstration  generation  method  that  synthesizes  thousands  of  diverse  trajectories  from  a  single  human  demonstration.  The  second  line  of  work  investigates  action  space  design  as  a  source  of  inductive  bias  for  solving  long-horizon  robotic  tasks.  We  first  present  HRL4IN,  a  hierarchical  reinforcement  learning  approach  that  decomposes  interactive  navigation  via  high-level  end-effector  goals.  We  then  introduce  ReLMoGen,  a  hybrid  method  that  combines  high-level  exploration  in  spatial  goal  spaces  with  low-level  motion  generation  for  efficient  execution.  Finally,  Chain  of  Code  leverages  large  language  models  (LLMs)  to  generate  executable  code  and  pseudocode,  enabling  agents  to  blend  algorithmic  reasoning  and  commonsense  inference  for  task  completion.  Together,  these  contributions  advance  the  goal  of  building  physically  capable,  semantically  grounded,  and  human-aligned  embodied  agents.
■590    ▼aSchool  code:  0212.
■650  4▼aPhysics
■650  4▼aVirtual  reality
■650  4▼aBenchmarks
■650  4▼aRobotics
■653    ▼aLarge  language  models
■653    ▼aReinforcement  learning  approach
■653    ▼aRobotic  tasks
■690    ▼a0605
■690    ▼a0800
■690    ▼a0771
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359257▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서