MARC

 008260126s2025        us                              c    eng  d
■001000017359378
■00520260202105111
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293893362
■035    ▼a(MiAaPQ)AAI32237037
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aTian,  Thomas.
■24510▼aTowards  Safe  and  Aligned  Embodied  AI  in  the  Era  of  Robotics  Foundation  Models
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a119  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Tomizuka,  Masayoshi;Bajcsy,  Andrea.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aThe  success  of  Large  Language  Models  (LLMs)  has  transformed  many  areas  of  non-  embodied  artificial  intelligence,  from  language  understanding  and  generation  to  multimodal  reasoning.  Their  ability  to  learn  from  internet-scale  data  and  generalize  across  diverse  tasks  has  raised  the  following  question  in  the  robotics  community:  Can  we  replicatethis  success  with  robotics  foundation  models-large-scale  models  that  directly  generate  robot  actions  from  sensory  input?Indeed,  robotics  foundation  models  pre-trained  on  internet-scale  data  are  beginning  to  reshape  how  robots  understand  the  complex  world,  interpret  human  feedback,  and  plan  actions.  These  models  hold  the  promise  of  significantly  improving  generalization,  enabling  robots  to  operate  reliably  in  increasingly  unstructured,  dynamic,  and  novel  real-world  scenarios.However,  despite  the  remarkable  progress,  it  is  precisely  this  integration  of  foundation  models  that  introduces  new  safety  and  alignment  challenges  in  robotics.  Robots  are  safety-critical  systems,  wherein  a  foundation  model's  single  erroneous  visual  or  language  interpretation,  misaligned  behavior  generation,  or  high  inference  latency  can  lead  to  catastrophic  consequences.  As  robotics  models  become  more  capable,  ensuring  that  their  actions  are  safe  and  aligned  with  human  values  becomes  increasingly  urgent.In  an  era  where  both  academic  and  industrial  researchers  are  racing  to  scale  up  robotics  models,  this  dissertation  takes  a  step  back,  offering  a  timely  investigation  into  the  safety  and  alignment  challenges  that  arise  across  the  life  cycle  of  robotics  foundation  models,  from  pre-training  strategies,  to  post-training  alignment,  to  ensuring  safety  at  deployment.
■590    ▼aSchool  code:  0028.
■650  4▼aRobotics
■650  4▼aComputer  science
■653    ▼aLarge  Language  Models
■653    ▼aRobots
■653    ▼aFoundation  models
■653    ▼aSensory  input
■653    ▼aLanguage  interpretation
■690    ▼a0771
■690    ▼a0800
■690    ▼a0984
■71020▼aUniversity  of  California,  Berkeley▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359378▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서