Kontakt aufnehmen

Schulungsübersicht

Einführung in das Roboterlernen

  • Überblick über maschinelles Lernen in der Robotik
  • Beaufsichtigtes, unbeaufsichtigtes und reinforcement Learning
  • Anwendungen von RL in Steuerung, Navigation und Manipulation

Grundlagen des Reinforcement Learning

  • Markovsche Entscheidungsprozesse (MDP)
  • Policy-, Wert- und Belohnungsfunktionen
  • Abwägung zwischen Exploration und Exploitation

Klassische RL-Algorithmen

  • Q-Learning und SARSA
  • Monte-Carlo- und Temporal-Difference-Methoden
  • Wertiteration und Policy-Iteration

Techniken des Deep Reinforcement Learning

  • Kombination von Deep Learning mit RL (Deep Q-Networks)
  • Policy-Gradient-Methoden
  • Fortgeschrittene Algorithmen: A3C, DDPG und PPO

Simulationsumgebungen für das Roboterlernen

  • Verwendung von OpenAI Gym und ROS 2 für Simulationen
  • Erstellung maßgeschneiderter Umgebungen für robotische Aufgaben
  • Bewertung der Leistung und der Stabilität des Trainings

Anwendung von RL in der Robotik

  • Lernen von Steuerungs- und Bewegungspolicies
  • Reinforcement Learning für die robotische Manipulation
  • Mehr-Agenten-Reinforcement Learning in der Schwarmrobotik

Optimierung, Bereitstellung und Integration in der realen Welt

  • Hyperparameter-Tuning und Reward-Shaping
  • Übertragung gelernter Policies von der Simulation in die Realität (Sim2Real)
  • Bereitstellung trainierter Modelle auf robotischer Hardware

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis der Konzepte des maschinellen Lernens
  • Erfahrung in der Python-Programmierung
  • Vertrautheit mit Robotik und Regelsystemen

Zielgruppe

  • Ingenieure für maschinelles Lernen
  • Forscher auf dem Gebiet der Robotik
  • Entwickler intelligenter robotischer Systeme
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien