MARC

 008260126s2025        us                              c    eng  d
■001000017359293
■00520260202105056
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288819056
■035    ▼a(MiAaPQ)AAI32201038
■035    ▼a(MiAaPQ)Stanfordzw936yz7062
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aWang,  Chen.
■24510▼aDexterous  Robot  Learning  at  Scale
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a127  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Li,  Fei-Fei;Liu,  Karen.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aDexterous  manipulation  remains  one  of  the  most  challenging  and  essential  capabilities  in  robotics.  It  requires  fine-grained,  contact-rich  control  and  generalization  across  diverse  objects  and  environments.  While  recent  advances  in  learning-based  methods  have  demonstrated  promise,  progress  is  fundamentally  limited  by  the  availability  of  high-quality  training  data.  In  contrast  to  fields  like  vision  or  language  that  benefit  from  large-scale  internet  datasets,  robot  learning  faces  a  "chicken-and-egg"  problem:  achieving  robust  robot  manipulation  necessitates  large-scale,  high-quality  data,  but  the  collection  of  such  data  typically  requires  already  proficient  robotic  systems.  How  can  we  overcome  this  data  bottleneck  and  unlock  scalable  training  for  dexterous  manipulation?  This  thesis  explores  how  to  scale  dexterous  robot  learning  by  leveraging  diverse  forms  of  human  demonstrations  as  a  rich,  structured,  and  increasingly  accessible  data  source.  I  begin  with  high-fidelity  human  teleoperation,  which  provides  precise  supervision  but  is  costly  and  limited  in  scale.  I  then  investigate  passive  third-person  video  as  a  widely  available,  low-cost  alternative  that  offers  broad  task  coverage  despite  lower  fidelity.  To  bridge  the  gap  between  precision  and  scalability,  I  introduce  a  wearable  motion  capture  system  that  enables  detailed  hand  trajectory  collection  in  unconstrained  environments.  To  further  address  the  embodiment  gap  between  human  and  robot  hands,  I  develop  a  hierarchical  policy  learning  framework  that  leverages  reinforcement  learning  in  simulation  to  translate  human  wrist  and  finger  motion  into  effective  robot  actions.  Finally,  I  incorporate  multimodal  human  signals-including  muscle  activity  and  audio-to  enrich  the  learning  signal  for  contact-rich  and  force-sensitive  manipulation  tasks.  Throughout  the  thesis,  I  develop  algorithms  that  distill  key  insights  for  control  from  human  demonstrations,  bridging  the  embodiment  gap  between  human  demonstrations  and  robotic  execution.  Together,  these  contributions  offer  a  scalable  framework  for  dexterous  robot  learning-one  that  brings  together  the  richness  of  human  behavior  and  the  scalability  of  modern  learning  systems  to  advance  general-purpose  robotic  manipulation.
■590    ▼aSchool  code:  0212.
■650  4▼aRobots
■650  4▼aMotion  capture
■650  4▼aSuccess
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aRobotics
■653    ▼aDexterous  manipulation
■653    ▼aHuman  teleoperation
■653    ▼aMultimodal  human  signals
■653    ▼aRobotic  manipulation
■690    ▼a0771
■690    ▼a0984
■690    ▼a0464
■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=T17359293▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books