Zkuste nás kontaktovat
 Doba trvání 21 hodiny

Návrh Školení

Úvod do robotického učení

  • Přehled strojového učení v robotice
  • Dozorované vs. nedorované vs. posilovací učení
  • Aplikace RL v řízení, navigaci a manipulaci

Základy posilovacího učení

  • Markovyho rozhodovací procesy (MDP)
  • Funkce politiky, hodnoty a odměny
  • Obchodování mezi prozkoumáním a využitím (exploration vs exploitation)

Klasické algoritmy RL

  • Q-learning a SARSA
  • Metody Monte Carlo a časového rozdílu (temporal difference)
  • Iterace hodnot a iterace politiky

Techniky hlubokého posilovacího učení

  • Kombinace hlubokého učení s RL (Deep Q-Networks)
  • Metody gradientu politiky
  • Pokročilé algoritmy: A3C, DDPG a PPO

Simulační prostředí pro robotické učení

  • Použití OpenAI Gym a ROS 2 pro simulace
  • Vytváření vlastních prostředí pro robotické úlohy
  • Hodnocení výkonu a stability trénování

Náplň RL v robotice

  • Učení regulačních a pohybových politik
  • Posilovací učení pro robotickou manipulaci
  • Mnohoagentové posilovací učení v robotice roje

Optimalizace, nasazení a integrace do reálného světa

  • Laďení hyperparametrů a formování odměn
  • Přenášení naučených politik ze simulace do reality (Sim2Real)
  • Nasazení vytrénovaných modelů na robotický hardwar

Shrnutí a další kroky

Požadavky

  • Pochopení konceptů strojového učení
  • Zkušenosti s programováním v jazyce Python
  • Poznaní s robotikou a regulačními systémy

Cílová skupina

  • Strojní inženýři
  • Výzkumníci v oblasti robotiky
  • Vývojáři budující inteligentní robotické systémy

Počet účastníků


Cena za účastníka

Reference (2)

Nadcházející kurzy

Související kategorie