MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017162576
■00520250211152028
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383200384
■035    ▼a(MiAaPQ)AAI31333675
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aChi,  Cheng.
■24510▼aVision-Based  Manipulation  In-The-Wild.
■260    ▼a[S.l.]▼bColumbia  University.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a131  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  B.
■500    ▼aAdvisor:  Song,  Shuran;Vondrick,  Carl.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aDeploying  robots  in  real-world  environments  involves  immense  engineering  complexity,  potentially  surpassing  the  resources  required  for  autonomous  vehicles  due  to  the  increased  dimensionality  and  task  variety.  To  maximize  the  chances  of  successful  real-world  deployment,  finding  a  simple  solution  that  minimizes  engineering  complexity  at  every  level,  from  hardware  to  algorithm  to  operations,  is  crucial. In  this  dissertation,  we  consider  a  vision-based  manipulation  system  that  can  be  deployed  in-the-wild  when  trained  to  imitate  sufficient  quantity  and  diversity  of  human  demonstration  data  on  the  desired  task.  At  deployment  time,  the  robot  is  driven  by  a  single  diffusion-based  visuomotor  policy,  with  raw  RGB  images  as  input  and  robot  end-effector  pose  as  output.  Compared  to  existing  policy  representations,  Diffusion  Policy  handles  multimodal  action  distributions  gracefully,  being  scalable  to  high-dimensional  action  spaces  and  exhibiting  impressive  training  stability.  These  properties  allow  a  single  software  system  to  be  used  for  multiple  tasks,  with  data  collected  by  multiple  demonstrators,  deployed  to  multiple  robot  embodiments,  and  without  significant  hyperparameter  tuning.  We  developed  a  Universal  Manipulation  Interface  (UMI),  a  portable,  low-cost,  and  information-rich  data  collection  system  to  enable  direct  manipulation  skill  learning  from  in-the-wild  human  demonstrations.  UMI  provides  an  intuitive  interface  for  non-expert  users  by  using  hand-held  grippers  with  mounted  GoPro  cameras.  Compared  to  existing  robotic  data  collection  systems,  UMI  enables  robotic  data  collection  without  needing  a  robot,  drastically  reducing  the  engineering  and  operational  complexity.  Trained  with  UMI  data,  the  resulting  diffusion  policies  can  be  deployed  across  multiple  robot  platforms  in  unseen  environments  for  novel  objects  and  to  complete  dynamic,  bimanual,  precise,  and  long-horizon  tasks.The  Diffusion  Policy  and  UMI  combination  provides  a  simple  full-stack  solution  to  many  manipulation  problems.  The  turn-around  time  of  building  a  single-task  manipulation  system  (such  as  object  tossing  and  cloth  folding)  can  be  reduced  from  a  few  months  to  a  few  days.
■590    ▼aSchool  code:  0054.
■650  4▼aComputer  science.
■650  4▼aComputer  engineering.
■653    ▼aUniversal  Manipulation  Interface
■653    ▼aVision  manipulation
■653    ▼aDiffusion  Policy
■690    ▼a0984
■690    ▼a0464
■71020▼aColumbia  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-01B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162576▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서