Plan Szkolenia

Wprowadzenie do Robot Learning

  • Przegląd uczenia maszynowego w robotyce
  • Supervised vs unsupervised vs reinforcement learning
  • Zastosowania RL w sterowaniu, nawigacji i manipulacji

Podstawy Reinforcement Learning

  • Procesy decyzyjne Markova (MDP)
  • Zasady, wartości i funkcje nagród
  • Trade-off między eksploracją a eksploatacją

Klasyczne Algorytmy RL

  • Q-learning i SARSA
  • Metody Monte Carlo i różnicowania czasowego
  • Iteracje wartości i zasad

Techniki Deep Reinforcement Learning

  • Połączenie uczenia głębokiego z RL (Deep Q-Networks)
  • Metody gradientów polityk
  • Zaawansowane algorytmy: A3C, DDPG i PPO

Symulacyjne Środowiska dla Robot Learning

  • Korzystanie z OpenAI Gym i ROS 2 do symulacji
  • Budowanie niestandardowych środowisk dla zadań roboczych
  • Ocena wydajności i stabilności treningu

Zastosowanie RL w Robotyce

  • Uczenie zasad sterowania i ruchów
  • Reinforcement learning dla manipulacji robotyczej
  • Multi-agent reinforcement learning w robotyce stadnej

Optymalizacja, Wdrożenie i Integracja z Rzeczywistym Świrem

  • Regulacja hiperparametrów i kształtowanie nagród
  • Transfer nauczonych zasad z symulacji do rzeczywistości (Sim2Real)
  • Wdrażanie nauczonych modeli na sprzęcie roboczym

Podsumowanie i Następne Kroki

Wymagania

  • Zrozumienie koncepcji uczenia maszynowego
  • Doswiadczenie w programowaniu Pythona
  • Znajomość robotyki i systemów sterowania

Audience

  • Inżynierowie uczenia maszynowego
  • Badacze robotyki
  • Programiści tworzący inteligentne systemy robocze
 21 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (2)

Propozycje terminów

Powiązane Kategorie