MARC

 008260311s2025        us                                    eng  d
■001000017361226
■00520260311091545.5
■006m          o    d                
■007cr|nu||||||||
■020    ▼a9798270232580
■040    ▼aMiAaPQD▼beng▼cMiAaPQD▼erda
■082    ▼a005.74
■1001  ▼aZhu,  Yifeng▼eauthor.
■24510▼aEfficient  Sensorimotor  Learning  for  Open-World  Robot  Manipulation  ▼cYifeng  Zhu
■260    ▼a[Sl]▼bThe  University  of  Texas  at  Austin▼c2025
■264  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a1  electronic  resource  (261  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisors:  Stone,  Peter;  Zhu,  Yuke    Committee  members:  Biswas,  Joydeep;  Song,  Shuran.
■5021  ▼bPh.D.▼cThe  University  of  Texas  at  Austin▼d2025.
■520    ▼aIn  recent  years,  there  has  been  growing  interest  in  building  general-purpose  personal  robots,  driven  by  the  promise  that  the  robots  can  assist  people  with  a  large  variety  of  everyday  manipulation  tasks.  Such  robots  must  adapt  their  skills  to  a  wide  range  of  completely  new  scenarios.  This  dissertation  considers  Open-world  Robot  Manipulation,  a  manipulation  problem  where  a  robot  must  generalize  or  quickly  adapt  to  new  objects,  scenes,  or  tasks  for  which  it  has  not  been  pre-programmed  or  pre-trained.  This  dissertation  tackles  the  problem  using  a  methodology  of  efficient  sensorimotor  learning.  The  key  to  enabling  efficient  sensorimotor  learning  lies  in  leveraging  regular  patterns  that  exist  in  limited  amounts  of  demonstration  data.  These  patterns,  referred  to  as  "regularity,"  enable  the  data-efficient  learning  of  generalizable  manipulation  skills.  This  dissertation  offers  a  new  perspective  on  formulating  manipulation  problems  through  the  lens  of  regularity.  Building  upon  this  notion,  we  introduce  three  major  contributions.  First,  we  introduce  methods  that  endow  robots  with  object-centric  priors,  allowing  them  to  learn  generalizable,  closed-loop  sensorimotor  policies  from  a  small  number  of  teleoperation  demonstrations.  Second,  we  introduce  methods  that  constitute  robots'  spatial  understanding,  unlocking  their  ability  to  imitate  manipulation  skills  from  in-the-wild  video  observations.  Last  but  not  least,  we  introduce  methods  that  enable  robots  to  identify  reusable  skills  from  their  past  experiences,  resulting  in  systems  that  can  continually  imitate  multiple  tasks  in  a  sequential  manner.Altogether,  the  contributions  of  this  dissertation  help  lay  the  groundwork  for  building  general-purpose  personal  robots  that  can  quickly  adapt  to  new  situations  or  tasks  with  low-cost  data  collection  and  interact  easily  with  humans.  By  enabling  robots  to  learn  and  generalize  from  limited  data,  this  dissertation  takes  a  step  toward  realizing  the  vision  of  intelligent  robotic  assistants  that  can  be  seamlessly  integrated  into  everyday  scenarios.
■546    ▼aEnglish
■590    ▼aSchool  code:  0227
■650  4▼aComputer  science
■650  4▼aInformation  technology
■650  4▼aRobotics
■653    ▼aEfficient  sensorimotor  learning
■653    ▼aOpen-world  Robot  Manipulation
■653    ▼aRobots
■653    ▼aDemonstration  data
■7102  ▼aThe  University  of  Texas  at  Austin▼bComputer  Science.▼edegree  granting  institution.
■7201  ▼aStone,  Peter▼edegree  supervisor.
■7201  ▼aZhu,  Yuke▼edegree  supervisor.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361226▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서