Intrati in legatura
 Durata 21 ore

Schița de curs

Introducere în Robot Learning

  • Prezentarea generală a machine learning-ului în robotică
  • Învățare supravegheată vs nesupravegheată vs reinforcement learning
  • Aplicații ale RL în control, navigare și manipulare

Fundamentele Reinforcement Learning

  • Procesele de decizie Markov (MDP)
  • Politici, funcții de valoare și funcții de recompensă
  • Echilibrul dintre explorare și exploatare

Algoritmi clasici de RL

  • Q-learning și SARSA
  • Metode Monte Carlo și diferențe temporale
  • Iterația de valoare și iterația de politică

Tehnici de Deep Reinforcement Learning

  • Combinația dintre deep learning și RL (Deep Q-Networks)
  • Metode de gradient politic
  • Algoritmi avansați: A3C, DDPG și PPO

Medii de simulare pentru Robot Learning

  • Folosirea OpenAI Gym și ROS 2 pentru simulare
  • Crearea de medii personalizate pentru sarcini robotice
  • Evaluarea performanței și stabilității antrenării

Aplicarea RL în robotică

  • Învățarea politicilor de control și mișcare
  • Reinforcement learning pentru manipularea robotică
  • Multi-agent reinforcement learning în robotică de roiu

Optimizare, Lansare și Integreare în lume reală

  • Reglarea hiperparametrilor și modelarea recompenselor
  • Transferarea politicilor învățate de la simulare la realitate (Sim2Real)
  • Lansarea modelelor antrenate pe hardware robotic

Sinteză și Pași următori

Cerințe

  • Înțelegerea conceptelor de machine learning
  • Experiență cu programarea în Python
  • Familiaritate cu robotică și sisteme 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