Kontakt aufnehmen
 Dauer 21 Stunden

Schulungsübersicht

Einführung in das Robot-Lernen

  • Überblick über maschinelles Lernen in der Robotik
  • Überwachtes Lernen vs. unüberwachtes Lernen vs. Reinforcement Learning
  • Anwendungen von RL in Steuerung, Navigation und Manipulation

Grundlagen des Reinforcement Learning

  • Markov-Entscheidungsprozesse (MDP)
  • Politik-, Wert- und Belohnungsfunktionen
  • Abwägung zwischen Erkundung und Ausbeutung (Exploration vs. Exploitation)

Klassische RL-Algorithmen

  • Q-Learning und SARSA
  • Monte-Carlo- und Temporaldifferenzmethoden
  • Wertiteration und Politikiteration

Techniken des Deep Reinforcement Learning

  • Kombination von Deep Learning und RL (Deep Q-Networks)
  • Policy-Gradient-Methoden
  • Fortschrittliche Algorithmen: A3C, DDPG und PPO

Simulationsumgebungen für das Robot-Lernen

  • Verwendung von OpenAI Gym und ROS 2 für Simulationen
  • Aufbau individueller Umgebungen für robotische Aufgaben
  • Bewertung der Leistung und Stabilität des Trainings

Anwendung von RL in der Robotik

  • Lernen von Steuerungs- und Bewegungsstrategien
  • Reinforcement Learning für die robotische Manipulation
  • Multi-Agenten-Reinforcement-Learning in der Schwarmrobotik

Optimierung, Bereitstellung und Integration in die reale Welt

  • Anpassung von Hyperparametern und Gestaltung von Belohnungen (Reward Shaping)
  • Transfer gelernter Strategien von der Simulation in die Realität (Sim2Real)
  • Bereitstellung trainierter Modelle auf robotischer Hardware

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundverständnis der Konzepte des maschinellen Lernens
  • Erfahrung in der Programmierung mit Python
  • Vertrautheit mit Robotik und Regelungstechnik

Zielgruppe

  • Machine-Learning-Engineers
  • Robotikforscher
  • Entwickler, die intelligente robotische Systeme bauen

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien