Kontakt aufnehmen
 Dauer 21 Stunden

Schulungsübersicht

Einführung in das Robot-Learning

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

Grundlagen des Reinforcement Learning

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

Klassische RL-Algorithmen

  • Q-Learning und SARSA
  • Monte-Carlo- und Temporal-Difference-Methoden
  • 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-Learning

  • Nutzung von OpenAI Gym und ROS 2 für Simulationen
  • Erstellung benutzerdefinierter Umgebungen für robotische Aufgaben
  • Bewertung der Leistungsfähigkeit und der Stabilität des Trainings

Anwendung von RL in der Robotik

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

Optimierung, Bereitstellung und Integration in die reale Welt

  • Anpassung von Hyperparametern und Belohnungsformung
  • Übertragung gelernter Strategien von der Simulation in die Realität (Sim2Real)
  • Bereitstellung trainierter Modelle auf robotischer Hardware

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis der Konzepte des maschinellen Lernens
  • Erfahrung mit der Python-Programmierung
  • Kenntnisse in Robotik und Steuerungstechnik

Zielgruppe

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

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien