MARC

 008260311s2025        us                                    eng  d
■001000017361246
■00520260311091517.5
■006m          o    d                
■007cr|nu||||||||
■020    ▼a9798270232672
■040    ▼aMiAaPQD▼beng▼cMiAaPQD▼erda
■082    ▼a006
■1001  ▼aWanna,  Selma  Liliane  Peterson▼eauthor.
■24510▼aBeyond  Standard  Benchmarking:  Towards  Robust  and  Trustworthy  Robotics  for  Industrial  and  Nuclear  Applications  ▼cSelma  Liliane  Peterson  Wanna
■260    ▼a[Sl]▼bThe  University  of  Texas  at  Austin▼c2025
■264  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a1  electronic  resource  (216  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:  Landsberger,  Sheldon;  Pryor,  Mitch    Committee  members:  Clarno,  Kevin;  Martín-Martín,  Roberto;  Moore,  Juston.
■5021  ▼bPh.D.▼cThe  University  of  Texas  at  Austin▼d2025.
■520    ▼aArtificial  intelligence  (AI)  is  increasingly  deployed  in  high-stakes  environments,  from  autonomous  systems  in  hazardous  industrial  settings  to  AI-driven  decision-making  in  safety-critical  applications.  AI  failures  are  rarely  simple  or  predictable;  they  often  occur  in  opaque,  uninterpretable,  and  potentially  catastrophic  ways.  This  work  explores  the  challenges  that  arise  when  AI  is  applied  to  complex,  real-world  applications,  focusing  on  two  key  areas:  perception  in  active  safety  systems  and  large  language  model  (LLM)-driven  task  planning  for  Embodied  AI  (EAI).The  first  half  of  this  dissertation  examines  uncertainty  quantification  (UQ)  in  real-time  semantic  segmentation,  particularly  within  the  context  of  glovebox  safety  systems  used  in  nuclear  and  industrial  environments.  The  research  develops  novel  uncertainty-aware  models,  including  Laplacian  Segmentation  Networks  (LSNs),  and  introduces  the  Hand  and  Glove  Segmentation  (HAGS)  dataset,  a  benchmark  for  evaluating  segmentation  robustness  in  human-robot  collaboration  tasks.  Through  a  series  of  empirical  studies,  despite  their  strong  theoretical  foundations,  Bayesian  deep  learning  techniques  are  at  best  only  comparable  to  less  theoretically  grounded  methods  for  OOD  detection.The  second  half  of  this  dissertation  investigates  robustness  in  LLM-driven  task  planning  for  EAI,  particularly  in  high-risk,  unstructured  domains  such  as  nuclear  robotics.  While  LLMs  have  shown  promise  in  structured,  household  environments,  they  struggle  significantly  in  out-of-distribution  (OOD)  scenarios,  e.g,  hierarchical  and  cyclical  task  planning.  Through  a  series  of  prompt  robustness  experiments  and  dataset  evaluations,  this  research  identifies  critical  failure  modes  in  current  AI  task  planning  methodologies.  Beyond  this,  the  work  moves  towards  a  data-centric  approach,  analyzing  the  biases  present  in  existing  EAI  instruction-following  datasets  and  proposing  strategies  to  improve  dataset  diversity  and  mitigate  spurious  correlations.A  unifying  theme  across  both  research  areas  is  the  necessity  of  trustworthy  AI  systems  that  go  beyond  achieving  high  benchmark  accuracy  and  instead  prioritize  robustness,  transparency,  and  safety  in  real-world  deployment.  This  dissertation  argues  that  the  path  forward  requires  a  paradigm  shift  toward  adhering  to  engineering-driven  application  requirements,  improved  dataset  design,  and  AI  models  that  incorporate  meaningful  uncertainty  estimation  and  human  oversight.  The  key  findings  presented  below  reflect  this  shift:1.  Dataset  characteristics,  model  architecture,  and  uncertainty  estimation  techniques  interact  in  complex  ways  that  often  defy  expectations,  resulting  in  performance  outcomes  that  challenge  theoretically  motivated  uncertainty  quantification  methods,  grounded  in  Information  Theory  and  Bayesian  uncertainty  estimation  frameworks,  for  OOD  detection  performance.  While  a  new  model  (LSN)  for  uncertainty-aware  segmentation  was  contributed;  our  experiments  demonstrate  that  ensembles  generalize  more  robustly  across  dataset  domains.2.  LLM-based  task  planners  in  EAI  perform  well  on  linear,  sequential  instruction  chains.  However,  they  struggle  with  conditional,  cyclical,  or  parallel  tasks,  reflecting  a  deeper  bias  in  current  EAI  datasets,  which  rarely  include  examples  of  complex  control  flow  or  decision-making  logic.3.  These  same  planners  also  underperform  in  domains  with  specialized  vocabulary,  e.g.,  terms  found  in  nuclear  and  industrial  environments,  indicating  that  domain  adaptation  and  terminology  grounding  remain  open  challenges  in  language-conditioned  robotics,  despite  the  breadth  of  LLM  pretraining  datasets.4.  Instruction-following  datasets  in  EAI  are  often  linguistically  shallow,  relying  heavily  on  templated  commands  with  limited  syntactic  or  semantic  variation.  This  undermines  the  generalization  ability  of  LLM-based  models  to  natural  modes  of  human  communication.Together,  these  findings  underscore  the  urgent  need  for  interdisciplinary  collaboration  to  build  systems  that  are  not  only  capable  but  also  trustworthy,  interpretable,  and  safe  in  high-stakes  environments. 
■546    ▼aEnglish
■590    ▼aSchool  code:  0227
■650  4▼aComputer  engineering
■650  4▼aInformation  technology
■650  4▼aRobotics
■653    ▼aLarge  language  model
■653    ▼aLaplacian  Segmentation  Networks
■653    ▼aHand  and  Glove  Segmentation
■653    ▼aOut-of-distribution
■7102  ▼aThe  University  of  Texas  at  Austin▼bMechanical  Engineering.▼edegree  granting  institution.
■7201  ▼aLandsberger,  Sheldon▼edegree  supervisor.
■7201  ▼aPryor,  Mitch▼edegree  supervisor.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361246▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books