MARC

 008260126s2025        us                              c    eng  d
■001000017357752
■00520260202103555
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288862236
■035    ▼a(MiAaPQ)AAI32042042
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aSmith,  Laura  Michelle.
■24510▼aEnabling  Robot  Autonomy  Through  Real-World  Practice
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a197  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Levine,  Sergey.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aRobots  have  demonstrated  extraordinary  capabilities  over  the  past  few  decades,  from  performing  surgeries  to  exploring  space.  Despite  this  progress,  robots  are  not  yet  commonplace  in  our  everyday  lives;  instead,  they  are  confined  to  executing  tasks  where  the  humans  behind  them  can  account  for  everything  the  robot  will  encounter.  The  challenge  in  deploying  robots  that  can  be  autonomous  stems  from  the  diversity  and  unpredictability  of  the  physical  world.  Humans  constantly  encounter  new  situations,  and  we  face  this  by  quickly  adapting  to  them  as  they  arise.  Could  we  also  enable  robots  to  face  our  unpredictable  world  by  allowing  them  to  learn  online,  from  their  real-world  experiences?  Reinforcement  learning  provides  a  framework  for  learning  through  interaction  with  and  feedback  from  an  environment.  In  this  thesis,  we  study  challenges  in  applying  reinforcement  learning  to  physical  robot  systems  that  are  not  confined  to  lab  settings,  and  in  doing  so,  propose  algorithmic  solutions,  provide  empirical  analysis,  and  build  practical  training  systems  that  demonstrate  their  efficacy.  We  begin  by  building  a  legged  locomotion  learning  system  that  incorporates  simulated  pre-training,  autonomous  failure  recovery,  multi-task  training,  onboard  sensors,  and  sample-efficient  RL,  and  demonstrate  that  a  small  amount  of  real-world  practice  can  enable  effective  fine-tuning  in  unstructured  settings.  We  then  show  how  to  enable  efficient  learning  with  more  complex  reward  functions,  derived  from  supervision  that  is  general  and  available  in  the  real  world:  human  preferences.  We  further  simplify  the  assumptions  and  study  learning  directly  in  the  real  world,  demonstrating  a  system  capable  of  enabling  a  quadruped  to  learn  to  walk  in  various  natural  environments,  purely  from  real-world  experience.  Lastly,  we  look  towards  learning  more  complex  tasks  by  leveraging  priors.  First,  we  extend  the  efficient  learning  framework  to  effectively  ingest  offline,  mixed-quality  data.  In  discussing  how  this  is  practical  for  robotics  applications,  we  show  that  this  method  enables  flexible  agile  quadrupedal  locomotion  such  as  running  jumps  and  bipedal  walking.  Finally,  we  explore  how  foundation  models  can  adapt  language-conditioned  manipulation  to  new  situations  in  the  real  world.
■590    ▼aSchool  code:  0028.
■650  4▼aComputer  science
■650  4▼aInformation  technology
■650  4▼aRobotics
■653    ▼aRobots
■653    ▼aReal-world  practice
■653    ▼aLocomotion
■653    ▼aAgile  skills
■653    ▼aLanguage  grounding
■690    ▼a0800
■690    ▼a0984
■690    ▼a0489
■690    ▼a0771
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357752▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서