AI-Cognitive: обучение с подкреплением для задачи перемещения (проект) — различия между версиями
Panov.ai (обсуждение | вклад) (Новая страница, с помощью формы Новый_проект) |
Panov.ai (обсуждение | вклад) |
||
| Строка 32: | Строка 32: | ||
=== Критерии оценки === | === Критерии оценки === | ||
| − | 1. 4-5 - | + | 1. 4-5 - Реализация базовой среды (Env) в Open.AI и примитивного алгоритма поиска пути через Q-tables. |
| − | 2. 6-7 | + | 2. 6-7 - Реализация различных версий DQN, проведение и анализ экспериментов. |
| − | 3. 8-10 Либо применение реккуретной нейронной сети с памятью либо реализация алгоритма для модели робота в ROS и Gazebo. | + | 3. 8-10 - Либо применение реккуретной нейронной сети с памятью, либо реализация алгоритма для модели робота в ROS и Gazebo. |
=== Ориентировочное расписание занятий === | === Ориентировочное расписание занятий === | ||
ЧТ 15:00-19:00 и ПТ 15:00-19:00 | ЧТ 15:00-19:00 и ПТ 15:00-19:00 | ||
Текущая версия на 14:23, 25 сентября 2017
| Ментор | Панов Александр |
| Учебный семестр | Осень 2017 |
| Учебный курс | 2-й курс |
| Проект можно развивать на летней практике | |
| Максимальное количество студентов, выбравших проект: 5 | |
Что это за проект?
Создавая и проектируя робототехнические системы, мы должны заложить в них некоторые знания, на основе которых они будет успешно решать задачи и адекватно себя вести во внешней среде. Сейчас такие знания в виде правил и готовых алгоритмов по большей части закладываются вручную. Однако, очевидно, что это во-первых, неэффективно, а во-вторых, порождает множество неточностей, потому что заранее все предусмотреть невозможно. Единственный выходи из такой ситуации - разработать алгоритм обучения, который бы позволял в процессе деятельности пополнять информацию о доступных и успешных для данной задачи действиях, конструировать новые действия на основе базовых операций и т.д. В данном проекте предлагается поработать над одним из таких алгоритмов в задаче поиска пути в лабиринте.
Чему вы научитесь?
Вы научитесь работать и реализовывать современные алгоритмы обучения с подкреплением. Вы узнаете, в чем специфика работы с робототехническими системами. Вы научитесь применять методы машинного обучения в таких задачах, как планирование и управление. Познакомитесь с возможностью применения нейронных сетей в обучении с подкреплением.
Какие начальные требования?
Отличное знание Python и желание учиться новому
Какие будут использоваться технологии?
Инструменты и библиотеки Python (OpenAI.Gym, Open.AI Universe и др.)
Темы вводных занятий
Базовое занятие по обучению с подкреплением и задаче поиска пути.
Направления развития
Основное развитие - имплементация разработанного алгоритма для модели робототехнической системы в системах ROS и Gazebo.
Критерии оценки
1. 4-5 - Реализация базовой среды (Env) в Open.AI и примитивного алгоритма поиска пути через Q-tables. 2. 6-7 - Реализация различных версий DQN, проведение и анализ экспериментов. 3. 8-10 - Либо применение реккуретной нейронной сети с памятью, либо реализация алгоритма для модели робота в ROS и Gazebo.
Ориентировочное расписание занятий
ЧТ 15:00-19:00 и ПТ 15:00-19:00
