Kom i kontakt
 Varaktighet 21 timmar

Kursplan

Introduktion till robottlärande

  • Översikt över maskininlärning inom robotik
  • Overvakat, oövervakat och förstärkningsbaserat lärande
  • Tillämpningar av RL inom styrning, navigation och manipulation

Grundprinciper för förstärkningsbaserat lärande

  • Markovska beslutsprocesser (MDP)
  • Policy, värde- och belöningsfunktioner
  • Avvägningar mellan utforskning och utnyttjande

Klassiska RL-algoritmer

  • Q-lärande och SARSA
  • Monte Carlo- och tidsdifferensmetoder
  • Värdeiteration och policyiteration

Tekniker för djupt förstärkningsbaserat lärande

  • Att kombinera djupinlärning med RL (Deep Q-Networks)
  • Policymedelvärdesmetoder
  • Avancerade algoritmer: A3C, DDPG och PPO

Simuleringsmiljöer för robottlärande

  • Användning av OpenAI Gym och ROS 2 för simulering
  • Att bygga egna miljöer för robotuppgifter
  • Utvärdering av prestation och träningsstabilitet

Tillämpning av RL inom robotik

  • Lärande av styrnings- och rörelsepolicyer
  • Förstärkningsbaserat lärande för robotmanipulation
  • Förstärkningsbaserat lärande för flera agenter inom svärmrobotik

Optimering, implementering och integration i verkligheten

  • Hyperparameteroptimering och belöningsformning
  • Överföring av lärinta policyer från simulering till verklighet (Sim2Real)
  • Implementering av tränade modeller på robot hårdvara

Sammanfattning och nästa steg

Krav

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

Målgrupp

  • Maskininlärningsingenjörer
  • Robotforskare
  • Utvecklare som bygger intelligenta robotsystem

Antal deltagare


Pris per deltagare

Vittnesmål (2)

Kommande Kurser

Relaterade Kategorier