Návrh Školení

Úvod do učení robotů

  • Přehled strojového učení v robotice
  • Kontrolované vs. nekontrolované vs. reinforcement learning
  • Aplikace RL ve řízení, navigaci a manipulaci

Základy reinforcement learningu

  • Markovovské rozhodovací procesy (MDP)
  • Zásady, hodnotové a odměnové funkce
  • Opatření týkající se výzkumu vs. využití

Klasické algoritmy RL

  • Q-learning a SARSA
  • Monte Carlo a metody časového rozdílu
  • Hodnotová iterační a zásadová iterační metoda

Techiky hloubkového reinforcement learningu

  • Spojení hlubokého učení s RL (Deep Q-Networks)
  • Metody zásadových gradientů
  • Pokročilé algoritmy: A3C, DDPG a PPO

Simulační prostředí pro učení robotů

  • Použití OpenAI Gym a ROS 2 pro simulaci
  • Vytváření vlastních prostředí pro robotické úkoly
  • Oceňování výkonu a stabilita tréninku

Aplikace RL ve robotice

  • Učení řídicích a pohybovéch zásad
  • Reinforcement learning pro robotickou manipulaci
  • Vícesubjektové reinforcement learning ve švárové robotice

Optimalizace, nasazení a integrace do reálného světa

  • Fine-tuning hyperparametrů a tvarování odměn
  • Přenos naučených zásad ze simulace do reality (Sim2Real)
  • Nasazení trénovaných modelů na robotické hardwaru

Shrnutí a další kroky

Požadavky

  • Porozumění konceptům strojového učení
  • Zkušenosti s programováním v Pythonu
  • Oboznámení se robotikou a řídicími systémy

Cílová skupina

  • Inženýři strojového učení
  • Výzkumníci robotiky
  • Vývojáři vytvářející inteligentní robotické systémy
 21 hodiny

Počet účastníků


Cena za účastníka

Reference (1)

Nadcházející kurzy

Související kategorie