MARC

 008260203s2023        us                              c    eng  d
■001000017365896
■00520260209102850
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291564066
■035    ▼a(MiAaPQ)AAI32271383
■035    ▼a(MiAaPQ)httphdlhandlenet2142121465
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aZhu,  Yifan.
■24510▼aData-Efficient  Learning  for  Manipulation,  Locomotion,  and  Information  Gathering  Involving  Granular  Media  and  Deformable  Objects
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a164  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Hauser,  Kris.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2023.
■520    ▼aModels  of  robots  and  how  they  contact  the  external  world  is  traditionally  built  based  on  physics.  However,  such  an  approach  is  limited  when  the  physics  of  certain  phenomena  are  not  well  understood,  when  it  is  computationally  prohibitive  to  solve  for  the  equations,  and  when  identifying  equation  parameters  and  solving  conditions  is  challenging  in  the  real  world  with  partial  and  noisy  observations.  Recently,  advancements  in  deep  learning  have  provided  a  potential  way  to  deal  with  this  challenge,  leveraging  extremely  flexible  function  approximators  such  as  neural  networks.  However,  the  data  required  for  many  common  robotics  tasks  could  be  prohibitive  due  to  the  complexity  of  the  physics  involved.This  thesis  aims  to  make  progress  toward  addressing  the  issue  of  data  efficiency  for  complex  physics  phenomena  such  as  granular  media,  heterogeneous  deformable  objects,  and  acoustics  of  human  bodies.  To  this  end,  this  thesis  adopts  two  main  methodologies.  First,  a  gray-box  learning  approach  where  learning  is  tightly  integrated  with  physics,  is  employed  to  improve  data  efficiency.  The  core  idea  here  is  to  decompose  physics  into  parts  that  can  be  described  by  efficient  analytical  equations,  and  parts  that  are  poorly  understood  or  computationally  heavy,  which  are  learned  from  data.  In  this  thesis,  I  will  demonstrate  different  ways  of  combining  knowledge  of  physics  and  learning  to  achieve  data  efficiency  on  multiple  challenging  problems.  The  second  methodology  aims  to  use  meta-learning,  or  learning  to  learn,  to  extract  useful  prior  knowledge  from  offline  data  on  related  tasks  to  accelerate  online  learning  on  novel  tasks.  I  will  demonstrate  a  novel  meta-learning  technique  that  enables  a  robot  to  use  vision  and  very  little  online  experience  to  achieve  high-quality  scooping  actions  on  out-of-distribution  granular  terrains.  We  further  show  that  these  two  methodologies  can  complement  each  other  by  demonstrating  that  the  proposed  meta-learning  algorithm  can  improve  gray-box  learning  for  deformable  objects.In  addition  to  these  two  main  methodologies,  I  also  discuss  my  other  relevant  efforts  in  solving  contact-rich  robotics  tasks,  including  automated  excavation  and  manipulation  in  unstructured  environments  with  an  immersive,  novice-friendly  avatar  robot  that  achieved  4-th  place  in  the  ANA  XPRIZE  Avatar  Challenge.
■590    ▼aSchool  code:  0090.
■650  4▼aRobotics
■650  4▼aComputer  engineering
■650  4▼aComputer  science
■653    ▼aGranular  media
■653    ▼aDeformable  objects
■653    ▼aData-efficient  learning
■653    ▼aManipulation
■653    ▼aLocomotion
■653    ▼aFew-shot  learning
■690    ▼a0771
■690    ▼a0984
■690    ▼a0464
■690    ▼a0800
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365896▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books