Intrati in legatura

Schița de curs

Introducere în învățarea roboților

  • Privire de ansamblu asupra machine learning-ului în robotică
  • Învățare supervizată vs nesupervizată vs prin consolidare
  • Aplicații ale RL în control, navigație și manipulare

Fundamentele învățării prin consolidare

  • Procese de decizie Markov (MDP)
  • Funcții de politică, valoare și recompensă
  • Compromisuri între explorare și exploatare

Algoritmi RL clasici

  • Q-learning și SARSA
  • Metode Monte Carlo și de diferență temporală
  • Iterarea valorii și iterarea politicii

Tehnici de învățare prin consolidare profundă

  • Combinarea deep learning-ului cu RL (Deep Q-Networks)
  • Metode de gradient de politică
  • Algoritmi avansați: A3C, DDPG și PPO

Medii de simulare pentru învățarea roboților

  • Utilizarea OpenAI Gym și ROS 2 pentru simulare
  • Construirea de medii personalizate pentru sarcini robotice
  • Evaluarea performanței și stabilității antrenamentului

Aplicarea RL în robotică

  • Învățarea politicilor de control și mișcare
  • Învățare prin consolidare pentru manipularea robotică
  • Învățare prin consolidare multi-agent în robotica de tip swarm

Optimizare, implementare și integrare în lumea reală

  • Reglarea hiperparametrilor și modelarea recompenselor
  • Transferul politicilor învățate din simulare în realitate (Sim2Real)
  • Implementarea modelelor antrenate pe hardware robotic

Rezumat și pașii următori

Cerințe

  • Înțelegerea conceptelor de machine learning
  • Experiență în programarea Python
  • Familiaritate cu robotica și sistemele de control

Publicul țintă

  • Ingineri de machine learning
  • Cercetători în domeniul roboticii
  • Dezvoltatori care construiesc sisteme robotice inteligente
 21 Ore

Numărul de participanți


Pret per participant

Mărturii (2)

Cursuri viitoare

Categorii înrudite