Kom i kontakt

Kursplan

Inledning till robotlärjande

  • Översikt över maskininlärning inom robotik
  • Superviserad vs osuperviserad vs förstärkande inlärning
  • Tillämpningar av RL inom styrning, navigation och manipulation

Grundläggande inom förstärkande inlärning

  • Markovska beslutsprocesser (MDP)
  • Policy, värde- och belöningfunktioner
  • Avvägningen mellan utforskning och exploitation

Klassiska RL-algoritmer

  • Q-lärning och SARSA
  • Monte Carlo- och temporal difference-metoder
  • Värdeiteration och policyiteration

Tekniker för djup förstärkande inlärning

  • Kombinera djup inlärning med RL (Deep Q-Networks)
  • Policygradientmetoder
  • Avancerade algoritmer: A3C, DDPG och PPO

Simuleringsmiljöer för robotlärjande

  • Använda OpenAI Gym och ROS 2 för simulering
  • Bygga anpassade miljöer för robotuppgifter
  • Evaluera prestanda och träningsstabilitet

Tillämpning av RL på robotik

  • Inlärning av styrning och rörelsepolicyer
  • Förstärkande inlärning för robotmanipulation
  • Multiagentbaserad förstärkande inlärning i swarmsystem

Optimering, distribution och integration i verkliga miljöer

  • Hyperparametertuning och belöningsformning (reward shaping)
  • Överföring av inlärnade policyer från simulering till verklighet (Sim2Real)
  • Distribuera tränade modeller på robotvaruhår

Sammanfattning och nästa steg

Krav

  • Förståelse för begrepp inom maskininlärning
  • Erfarenhet av Python-programmering
  • Kännedom om robotik och styrsystem

Målgrupp

  • Maskininlärningsingenjörer
  • Robotforskarare
  • Utvecklare som bygger intelligenta robotssystem
 21 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (2)

Kommande Kurser

Relaterade Kategorier