Bądźmy w kontakcie
 Czas trwania 21 godzin

Plan Szkolenia

Wprowadzenie do uczenia robotów

  • Przegląd uczenia maszynowego w robotyce
  • Uczenie nadzorowane, nienadzorowane i uczenie z wzmocnieniem
  • Zastosowania RL w sterowaniu, nawigacji i manipulacji

Fundamenty uczenia z wzmocnieniem

  • Procesy decyzyjne Markowa (MDP)
  • Funkcje polityki, wartości i nagrody
  • Przewaga odkrywania nad eksploatacją (exploration vs exploitation)

klasyczne algorytmy RL

  • Q-learning i SARSA
  • Metody Monte Carlo i różnic czasowych (temporal difference)
  • Iteracja wartości i iteracja polityki

Techniki głębokiego uczenia z wzmocnieniem

  • Łączenie uczenia maszynowego z RL (Deep Q-Networks)
  • Metody gradientu polityki
  • Zaawansowane algorytmy: A3C, DDPG i PPO

Środowiska symulacji do uczenia robotów

  • Korzystanie z OpenAI Gym i ROS 2 do symulacji
  • Budowanie własnych środowisk dla zadań robotycznych
  • Ewaluacja wydajności i stabilności treningu

Stosowanie RL w robotyce

  • Uczenie polityk sterowania i ruchu
  • Uczenie z wzmocnieniem dla manipulacji robotycznej
  • Uczenie z wzmocnieniem wielu agentów w robotyce swarming

Optymalizacja, wdrażanie i integracja z rzeczywistością

  • Dostrojenie hiperparametrów i kształtowanie funkcji nagrody
  • Transfer uczonych polityk z symulacji do rzeczywistości (Sim2Real)
  • Wdrażanie wytrenowanych modeli na sprzęcie robotycznym

Podsumowanie i kolejne kroki

Wymagania

  • Znajomość pojęć związanych z uczeniem maszynowym
  • Doświadczenie w programowaniu w Pythonie
  • Znajomość robotyki i systemów sterowania

Grupa docelowa

  • Inżynierowie uczenia maszynowego
  • Badacze robotyki
  • Deweloperzy budujący inteligentne systemy robotyczne

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (3)

Propozycje terminów

Powiązane Kategorie