MARC

 008260126s2025        us                              c    eng  d
■001000017359392
■00520260202105113
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297648296
■035    ▼a(MiAaPQ)AAI32237197
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aBartsch,  Alison.▼0(orcid)0009-0004-9000-2807
■24510▼aRobot  Learning  for  3D  Deformable  Object  Manipulation
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a179  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Barati  Farimani,  Amir.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2025.
■520    ▼aMuch  of  the  world  we  interact  with  as  humans  are  deformable,  yet  current  robotic  systems  often  struggle  to  successfully  manipulate  deformable  objects.  If  we  hope  to  develop  robust  and  generalizable  robotics  systems  for  manufacturing,  food  preparation,  assistive  robotics  and  surgery,  among  others,  it  is  critical  that  we  develop  systems  that  are  able  to  predict  the  behavior  of  deformable  objects  and  generate  desirable  action  plans  that  are  informed  by  the  deformation  behavior.  In  this  dissertation,  we  aim  to  explore  the  challenges  of  deformable  object  manipulation  with  the  task  of  creating  3D  simple  sculptures  in  an  unstructured  3D  deformable  object,  what  we  refer  to  as  the  robotic  shaping  task.  This  task  requires  consideration  of  key  challenges  within  deformable  object  manipulation  -  state  representation,  partial  observability  and  occlusions,  complex  deformations  due  to  robot  interaction,  and  long-horizon  action  sequences  to  reach  the  desired  goal  shape.This  dissertation  explores  a  variety  of  learning-based  methods  for  the  robotic  clay  shaping  task  to  explore  different  facets  of  the  challenge  of  deformable  object  manipulation.  We  introduce  SculptBot,  a  learned  dynamics  model  that  leverages  a  pre-trained  point  cloud  embedding  for  more  efficient  dynamics  predictions.  To  generate  sculpting  action  sequences,  we  employed  sample-based  model  predictive  control  with  the  learned  dynamics  model.  To  follow  this  work,  we  present  SculptDiff,  a  point  cloud-based  imitation  learning  method  that  directly  generates  sculpting  actions  from  observation.  We  further  present  LLM-Craft  to  explore  how  to  incorporate  the  relevant  world  knowledge  of  LLMs  to  directly  generate  robotic  sculpting  trajectories.  Next,  we  present  a  text-to-3D  sculpting  system  that  leverages  LLMs  and  a  low-level  action  model  to  create  simple  shapes  with  a  hierarchical  framework.  Finally,  we  develop  PinchBot,  an  imitation  learning  model  with  task-progress  and  sub-goal  guidance  for  the  highly  long  horizon  task  of  robotic  pinch  pottery.  The  aim  of  this  dissertation  is  to  develop  a  robotic  sculpting  framework  and  demonstrate  the  importance  and  effectiveness  of  learning-based  methods  for  the  challenging,  long  horizon  and  often  multi-modal  task  of  3D  clay  sculpting.
■590    ▼aSchool  code:  0041.
■650  4▼aRobotics
■650  4▼aEngineering
■653    ▼a3D  point  clouds
■653    ▼aClay  shaping
■653    ▼aDeformable  objects
■653    ▼aManipulation
■653    ▼aRobotic  sculpting
■690    ▼a0771
■690    ▼a0800
■690    ▼a0537
■71020▼aCarnegie  Mellon  University▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359392▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books