Benutzer: Gast  Login
Originaltitel:
Learning state and action spaces for robot learning
Übersetzter Titel:
Lernen von Zustands- und Aktionsräumen für die Robotik
Autor:
Aljalbout, Elie
Jahr:
2024
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Informatik 9 - Lehrstuhl für Computer Vision and Artificial Intelligence (Prof. Cremers)
Betreuer:
Triebel, Rudolph (Prof. Dr.)
Gutachter:
Triebel, Rudolph (Prof. Dr.); Althoff, Matthias (Prof. Dr.); Scaramuzza, Davide (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 760; DAT 770
Kurzfassung:
This thesis addresses the sample complexity challenges of robot learning from the perspectives of perception and control. The thesis first proposes methods for designing and learning state and action spaces suitable for robot manipulation learning. The thesis builds state and action spaces based on inductive biases from the perception and control literature and learns representations based on self-supervised machine learning.
Übersetzte Kurzfassung:
Diese Arbeit befasst sich mit den Herausforderungen des Roboterlernens aus der Perspektive der Wahrnehmung und Steuerung. Die Arbeit schlägt zunächst Methoden vor, um Zustands- und Aktionsräume zu erhalten, die für das Lernen von Robotermanipulation geeignet sind. Die Arbeit erstellt Zustands- und Aktionsräume auf der Grundlage induktiver Verzerrungen aus der Wahrnehmungs- und Kontrollliteratur und lernt Repräsentationen auf der Grundlage von selbstüberwachtem maschinellem Lernen.
WWW:
https://mediatum.ub.tum.de/?id=1729775
Eingereicht am:
18.12.2023
Mündliche Prüfung:
21.10.2024
Dateigröße:
16128158 bytes
Seiten:
184
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20241021-1729775-1-4
Letzte Änderung:
10.12.2024
 BibTeX