MARC

 008260126s2025        us                              c    eng  d
■001000017359166
■00520260202104844
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293892877
■035    ▼a(MiAaPQ)AAI32173340
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aQi,  Haozhi.
■24510▼aMultisensory  Dexterity  for  Robotics
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a147  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Ma,  Yi;Malik,  Jitendra.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aHuman  hands  are  fundamental  to  how  we  sense  and  act  upon  the  physical  world.  Their  unique  ability  to  coordinate  precise  movements  and  adapt  to  changing  conditions  gives  us  the  dexterity  to  grasp,  manipulate,  and  interact  with  objects  of  different  shapes  and  physical  properties  with  remarkable  ease.  Replicating  this  level  of  dexterity  in  robots  is  critical  for  building  general-purpose  robots  that  can  operate  reliably  in  unstructured  environments.  Although  modern  artificial  intelligence  has  achieved  significant  success  in  vision  and  language,  dexterous  manipulation  remains  a  major  unsolved  challenge.  This  difficulty  arises  from  the  high  dimensionality  of  motor  control,  the  scarcity  of  real-world  data,  and  the  need  to  integrate  diverse  sensory  inputs  into  robust  behaviors.  This  thesis  aims  to  close  this  gap  by  developing  learning-based  systems  that  equip  robots  with  multisensory  intelligence  for  dexterous  manipulation.  It  shows  how  to  combine  vision,  touch,  and  proprioception  with  scalable  learning  methods  to  enable  robots  to  perform  complex,  contact-rich  tasks  that  require  coordination  and  adaptation.The  approach  follows  a  structured  learning  paradigm.  First,  we  focus  on  acquiring  individual  manipulation  skills  through  large-scale  training  in  simulation.  Each  skill  is  developed  independently  and  grounded  in  principles  of  generalization  across  objects  and  physical  properties.  Second,  we  investigate  how  rich  multisensory  feedback,  including  tactile  sensing,  visual  inputs,  and  proprioceptive  signals,  can  be  fused  to  improve  both  perception  and  control.  We  show  that  these  modalities  are  not  redundant  but  complementary,  and  their  integration  allows  robots  to  perform  tasks  that  remain  infeasible  with  simple  sensors  alone.  Third,  we  propose  a  compositional  framework  that  builds  on  previously  learned  skills  to  acquire  new  behaviors  efficiently.  The  thesis  concludes  by  identifying  key  challenges  ahead  and  outlining  directions  for  future  research  in  developing  robots  that  can  interact  with  the  world  as  fluently  and  flexibly  as  humans  do.
■590    ▼aSchool  code:  0028.
■650  4▼aComputer  science
■650  4▼aRobotics
■650  4▼aComputer  engineering
■653    ▼aComputer  vision
■653    ▼aDexterous  manipulation
■653    ▼aMachine  learning
■653    ▼aReinforcement  learning
■653    ▼aTactile  sensing
■690    ▼a0984
■690    ▼a0771
■690    ▼a0800
■690    ▼a0464
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359166▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서