Contattataci
 Durata 21 ore

Struttura del corso

Introduzione all'Apprendimento dei Robot

  • Panoramica sul machine learning nella robotica
  • Apprendimento supervisionato, non supervisionato e reinforcement learning
  • Applicazioni del RL nel controllo, nella navigazione e nella manipolazione

Fondamenti del Reinforcement Learning

  • Processi decisionali di Markov (MDP)
  • Funzioni di policy, valore e ricompensa
  • Compromesso tra esplorazione ed esploitazione

Algoritmi Classici di RL

  • Q-learning e SARSA
  • Metodi Monte Carlo e a differenza temporale (Temporal Difference)
  • Iterazione di valore e iterazione di policy

Tecniche di Deep Reinforcement Learning

  • Combinazione di deep learning e RL (Deep Q-Networks)
  • Metodi di policy gradient
  • Algoritmi avanzati: A3C, DDPG e PPO

Ambienti di Simulazione per l'Apprendimento dei Robot

  • Utilizzo di OpenAI Gym e ROS 2 per la simulazione
  • Creazione di ambienti personalizzati per compiti robotici
  • Valutazione delle prestazioni e della stabilità dell'addestramento

Applicazione del RL alla Robotica

  • Apprendimento di policy di controllo e movimento
  • Reinforcement learning per la manipolazione robotica
  • Multi-agent reinforcement learning nella robotica di sciame

Ottimizzazione, Deploy e Integrazione nel Mondo Reale

  • Rifinitura degli iperparametri e modellazione delle ricompense (reward shaping)
  • Trasferimento delle policy apprese dalla simulazione alla realtà (Sim2Real)
  • Deploy di modelli addestrati su hardware robotico

Riepilogo e Prossimi Passi

Requisiti

  • Conoscenza dei concetti di machine learning
  • Esperienza nella programmazione in Python
  • Familiarità con la robotica e i sistemi di controllo

Pubblico di Riferimento

  • Ingegneri di machine learning
  • Ricercatori di robotica
  • Sviluppatori che creano sistemi robotici intelligenti

Numero di Partecipanti


Prezzo per partecipante

Recensioni (2)

Corsi in Arrivo

Categorie relative