Свържете се с нас
 Продължителност 21 часa

Съдържание и теми, включени в курса

Въведение в обучението на роботи

  • Преглед на машинното обучение в роботиката
  • Надзорно срещу ненадзорно срещу обучение с подкрепление
  • Приложения на RL в управление, навигация и манипулация

Основни принципи на обучението с подкрепление

  • Процеси на Марковски вземане на решения (MDP)
  • Политики, стойности и функции за награда
  • Компромис между изследване и експлоатация

Класически RL алгоритми

  • Q-learning и SARSA
  • Методи на Монте Карло и временната разлика
  • Итерация на стойността и итерация на политиката

Техники за дълбоко обучение с подкрепление

  • Комбиниране на дълбоко обучение с RL (Deep Q-Networks)
  • Методи на градиента на политиката
  • Напреднали алгоритми: A3C, DDPG и PPO

Среди за симулация на обучение на роботи

  • Използване на OpenAI Gym и ROS 2 за симулация
  • Изграждане на персонализирани среди за роботизирани задачи
  • Оценка на ефективността и стабилността на обучението

Прилагане на RL в роботиката

  • Обучение на стратегии за управление и движение
  • Обучение с подкрепление за роботизирана манипулация
  • Мултагентно обучение с подкрепление в swarm роботиката

Оптимизация, разгръщане и интеграция в реалния свят

  • Настройване на хиперпараметрите и оформяне на наградите
  • Прехвърляне на научените политики от симулация в реалността (Sim2Real)
  • Разгръщане на обучените модели на роботизирани хардуерни платформи

Резюме и следващи стъпки

Изисквания

  • Разбиране на концепциите в машинното обучение
  • Опит с програмиране на Python
  • Знакомство с роботиката и системите за управление

Целева аудитория

  • Инженери по машинно обучение
  • Изследователи в областта на роботиката
  • Разработчици на интелигентни роботизирани системи

Брой участници


Цена за участник

Отзиви от участници (2)

Предстоящи Курсове

Свързани Kатегории