MARC

 008260126s2025        us                              c    eng  d
■001000017357425
■00520260202103510
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315741732
■035    ▼a(MiAaPQ)AAI32003234
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aHo,  Cherie.▼0(orcid)0000-0003-1886-1020
■24510▼aFlexible  Perception  for  High-Performance  Robot  Navigation
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a136  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Scherer,  Sebastian.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2025.
■520    ▼aReal-world  autonomy  requires  perception  systems  that  deliver  rich,  accurate  information  given  the  task  and  environment.  However,  as  robots  scale  to  diverse  and  rapidly  evolving  settings,  maintaining  this  level  of  performance  becomes  increasingly  brittle  and  labor-intensive,  requiring  significant  human  engineering  and  retraining  for  even  small  changes  in  environment  and  problem  definition.  To  overcome  this  bottleneck,  this  thesis  advances  flexible  robot  perception  by  improving  its  generalizability,  adaptivity,  and  uncertainty-awareness,  enabling  robots  to  operate  effectively  across  more  environments  with  minimal  additional  human  intervention.First,  to  enable  stronger  zero-shot  generalization,  we  introduce  MapItAnywhere  (MIA),  a  scalable  ecosystem  for  generalizable  bird's-eye  view  (BEV)  mapping.  At  its  core,  MIA  provides  a  data  engine  for  automated  curation  of  BEV  maps  using  crowd-sourced,  publicly  available  data.  This  advances  flexible  perception  by  leveraging  existing  world-scale  labels  from  disparate  data  sources  to  improve  BEV  mapping  performance  in  previously  unseen  areas,  without  requiring  additional  manual  data  collection,  labeling,  or  curation.However,  even  generalizable  perception  systems  face  inevitable  performance  drops  when  deployed  in  new  environments.  To  bridge  this  gap  automatically,  we  develop  ALTER,  a  perception  system  that  adapts  online  to  new  environments  while  mitigating  catastrophic  forgetting  and  label  noise.  ALTER  advances  flexible  perception  by  introducing  a  system  that  automatically  labels  new  data  using  LiDAR  and  groups  them  in  latent  space  for  efficient  retraining,  enabling  perception  systems  to  operate  at  higher  performance  in  new  scenarios  without  human  intervention.Lastly,  while  an  adaptive  perception  system  can  improve  over  time,  collecting  data  in  low-information  regions  leads  to  inefficient  learning.  To  this  end,  we  present  MapEx,  an  indoor  exploration  algorithm  that  builds  an  uncertainty-aware  representation  using  an  ensemble  of  world  model  predictors.  MapEx  advances  flexible  perception  by  jointly  leveraging  map  prediction  uncertainty  and  sensor  coverage  to  guide  data  collection,  enabling  improved  perceptual  understanding  in  new  environments  without  human  supervision  and  reducing  the  need  for  manual  data  collection.This  thesis  advances  the  core  capabilities  of  generalization,  adaptation,  and  uncertainty  awareness  needed  for  flexible  and  automated  robot  perception.  Together,  these  capabilities  address  the  fundamental  bottlenecks  of  current  engineering-intensive  workflows  and  bring  us  closer  to  scalable  real-world  autonomy.
■590    ▼aSchool  code:  0041.
■650  4▼aRobotics
■650  4▼aComputer  science
■650  4▼aInformation  technology
■653    ▼aComputer  vision
■653    ▼aField  robotics
■653    ▼aPerception
■653    ▼aRobot  learning
■690    ▼a0771
■690    ▼a0489
■690    ▼a0984
■690    ▼a0800
■71020▼aCarnegie  Mellon  University▼bRobotics  Institute.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357425▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서