MARC

 008260126s2025        us                              c    eng  d
■001000017359332
■00520260202105103
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293892969
■035    ▼a(MiAaPQ)AAI32236299
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aStocking,  Kaylene  Caswell.
■24510▼aBetween  Pixels  and  Policies:  Toward  Interpretable  Representations  for  (Inter)Action
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a108  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Tomlin,  Claire  Jennifer.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aRobots  and  other  embodied  agents  use  an  internal  representation  of  their  surrounding  environment  to  pick  actions  that  are  appropriate  for  their  purpose  or  goal.  In  robotics,  this  representation  is  often  computed  directly  from  camera  images  by  using  deep  learning  algorithms  to  extract  relevant  high-level  features.  However,  unlike  in  other  computer  vision  applications,  robot  representations  must  support  closed-loop  interaction,  where  current  actions  affect  future  observations.  Furthermore,  the  need  for  safety  and  transparency  in  robotics  motivates  closer  scrutiny  of  the  contents  and  limitations  of  learned  representations.This  dissertation  argues  that  performant  and  interpretable  robot  representations  are  a  goal  of  both  scientific  interest  and  practical  importance.  Two  possible  paths  toward  these  representations  are  new  representation  learning  algorithms  that  are  engineered  with  interpretability  in  mind  ("design"),  and  better  tools  for  improving  our  understanding  of  the  representations  learned  by  existing  algorithms  ("interpretation").  However,  current  techniques  fall  far  short  of  the  goal  of  both  strong  learning  performance  and  deep  mechanistic  understanding.  This  dissertation  describes  research  that  advances  the  state  of  the  art  along  both  paths.  Part  I  proposes  two  algorithms  that  learn  symbolic  representations  that  facilitate  a  robot's  ability  to  reason  about  other  agents.  By  focusing  on  more  realistic  settings  than  prior  works,  these  chapters  show  that  interpretable-by-design  algorithms  need  not  be  limited  to  simple  toy  problems.  Part  II  introduces  interpretability  tools  from  other  disciplines  to  robotics  for  the  first  time,  leading  to  novel  insights  about  the  representations  learned  by  a  deep  end-to-end  neural  network  trained  for  autonomous  driving  (similar  to  human  drivers'  representations  for  low-level  vision  but  not  for  representations  of  other  agents)  and  vision-language-action  models  (deeply  semantic  despite  being  fine-tuned  to  only  output  actions).  A  common  thread  throughout  both  parts  is  making  connections  between  robot  representations  and  the  representations  that  support  human  cognition  and  action.  Whether  the  design  path  or  the  interpretation  path  ultimately  proves  more  fruitful,  this  research  works  toward  a  holistic  understanding  of  how  capable  embodied  agents  represent  their  environments.
■590    ▼aSchool  code:  0028.
■650  4▼aRobotics
■650  4▼aNeurosciences
■653    ▼aInterpretability
■653    ▼aMachine  learning
■653    ▼aPerception
■653    ▼aRepresentation  learning
■690    ▼a0771
■690    ▼a0800
■690    ▼a0317
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359332▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서