Intrati in legatura
 Durata 21 ore

Schița de curs

Introducere în învățarea robotului

  • prezentare generală a machine learning-ului în robotică
  • supervised vs unsupervised vs reinforcement learning
  • aplicații ale RL în control, navigație și manipulare

Fundamentele Reinforcement Learning-ului

  • procese de decizie Markov (MDP)
  • funcții de politică, valoare și recompensă
  • compromisul între explorare și exploatare

Algoritmi RL clasici

  • Q-learning și SARSA
  • metode Monte Carlo și diferență temporală
  • iterația de valoare și iterația de politică

Tehnici de Deep Reinforcement Learning

  • 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 robotului

  • utilizarea OpenAI Gym și ROS 2 pentru simulare
  • construirea de medii personalizate pentru task-uri robotice
  • evaluarea performanței și stabilității antrenării

Aplicarea RL în robotică

  • învățarea politicilor de control și mișcare
  • reinforcement learning pentru manipulare robotică
  • multi-agent reinforcement learning în robotica de roi (swarm)

Optimizare, implementare și integrare în lumea reală

  • ajustarea hiperparametrilor și modelarea recompensei (reward shaping)
  • 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 cu programarea în Python
  • familiaritate cu robotica și sistemele de control

Public țintă

  • ingineri de machine learning
  • cercetători în robotică
  • dezvoltatori care construiesc sisteme robotice inteligente

Numărul de participanți


Pret per participant

Mărturii (2)

Cursuri viitoare

Categorii înrudite