MARC

 008260126s2025        us                              c    eng  d
■001000017358582
■00520260202104722
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291595497
■035    ▼a(MiAaPQ)AAI32121596
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aAbuduweili,  Abulikemu.▼0(orcid)0000-0002-3186-1976
■24510▼aAlgorithms  for  Data-Efficient  Continual  Robot  Learning
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a280  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Liu,  Changliu.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2025.
■520    ▼aThe  deployment  of  intelligent  robotic  agents  in  complex,  non-stationary  human  environments-such  as  collaborative  manufacturing,  autonomous  driving,  and  long-term  navigation-hinges  on  their  ability  to  learn  continually  from  a  dynamic  stream  of  real-world  data.  Traditional  machine  learning  paradigms,  which  rely  on  offline  training  with  static  datasets,  are  fundamentally  ill-suited  for  these  settings.  They  are  plagued  by  critical  limitations,  most  notably  catastrophic  forgetting,  where  new  knowledge  overwrites  previously  learned  skills;  profound  data  inefficiency,  a  particularly  acute  problem  in  robotics  where  data  collection  is  expensive  and  time-consuming;  and  the  challenge  of  modeling  and  controlling  complex  nonlinear  dynamics  with  adaptability  and  generalizability  from  limited  data.This  thesis  presents  a  systematic  investigation  into  a  new  class  of  learning  algorithms  designed  to  overcome  these  barriers,  enabling  robust  and  data-efficient  continual  learning  for  robots.  The  contributions  are  organized  into  three  synergistic  pillars.  The  first  pillar,  Data-Efficient  Optimization,  introduces  novel  algorithms  for  both  online  and  offline  learning.  We  develop  a  family  of  Extended  Kalman  Filter  (EKF)-based  optimizers  that  leverage  second-order  information  to  achieve  superior  convergence  for  online  adaptation.  We  also  improve  adaptive  gradient  methods  for  offline  pretraining  by  introducing  a  data-driven  approach  to  initialize  optimizer  states,  enhancing  stability  and  performance.  The  second  pillar,  Continual  Learning  with  Memory  Mechanisms,  addresses  catastrophic  forgetting  through  bio-inspired  memory  architectures.  This  includes  a  feedforward  compensation  strategy  that  proactively  uses  critical  past  experiences  to  improve  adaptation  and  the  BioSLAM  dual-memory  system,  which  explicitly  manages  short-term  plasticity  and  long-term  knowledge  consolidation  for  lifelong  place  recognition.  The  third  and  culminating  pillar,  Models  for  Efficient  Robot  Learning,  presents  novel  frameworks  for  learning  generalizable  system  models  for  control.  We  pioneer  the  continual  learning  and  lifting  of  Koopman  dynamics,  a  breakthrough  approach  for  linearizing  high-dimensional,  nonlinear  systems  like  legged  robots  from  streaming  data.  This  pillar  also  investigates  methods  for  estimating  neural  network  robustness  via  Lipschitz  constants,  a  crucial  step  for  deploying  learned  models  in  safety-critical  applications.Collectively,  this  body  of  work  provides  a  foundational  framework  for  creating  truly  adaptive,  resilient,  and  intelligent  robots.  By  developing  solutions  for  data-efficient  optimization,  memory-augmented  learning,  and  continual  dynamics  modeling,  this  thesis  paves  the  way  for  the  safe  and  effective  deployment  of  autonomous  systems  in  the  open  world.
■590    ▼aSchool  code:  0041.
■650  4▼aRobotics
■650  4▼aElectrical  engineering
■650  4▼aComputer  engineering
■653    ▼aContinual  learning
■653    ▼aControl
■653    ▼aData-efficient  learning
■653    ▼aNeural  network
■653    ▼aRobot  learning
■690    ▼a0771
■690    ▼a0800
■690    ▼a0544
■690    ▼a0464
■71020▼aCarnegie  Mellon  University▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358582▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서