دوره کنترل تعلیق خودرو 4: تیونینگ PID با هوش مصنوعی - TD3

آنچه یاد خواهید گرفت: درک شهودی از پس‌انتشار در شبکه‌های عصبی پیاده‌سازی Q-learning در پایتون روی یک محیط ساده‌ grid-world اعمال الگوریتم یادگیری تقویتی TD3 برای کنترل تعلیق آشنایی با کتابخانه‌ PyTorch پیش‌نیازهای دوره مبانی پایتون توضیحات دوره با استفاده از TD3 (Twin Delayed Deep Deterministic Policy Gradient) برای کنترل تعلیق خودرو، وارد دنیای تیونینگ PID با هوش مصنوعی شوید. این دوره‌ عملی، مهندسان سیستم‌های کنترل، علاقه‌مندان رباتیک و توسعه‌دهندگان پایتون را با مهارت‌های کاربردی برای بهینه‌سازی مدل‌های تعلیق نیمه‌خودرو از طریق یادگیری تقویتی (RL) مجهز می‌کند. شما از اصول اولیه شروع می‌کنید و Q-learning ساده را در یک محیط grid world با استفاده از پایتون و NumPy پیاده‌سازی می‌کنید. شما ایجنت‌هایی را کدنویسی می‌کنید که به‌ صورت مرحله‌به‌مرحله سیاست‌های بهینه را یاد می‌گیرند و برای مفاهیم پایه‌ RL مانند تابع ارزش، درک شهودی پیدا می‌کنید. سپس به سراغ کاربردهای واقعی می‌روید و TD3، الگوریتم actor-critic پیشرفته را برای تیونینگ کنترلرهای PID در یک مدل نیمه‌خودرو پویا به کار می‌گیرید. شما دینامیک تعلیق خودرو را شبیه‌سازی می‌کنید که شامل جهش عمودی، پیچش و آشفتگی‌های جاده است. توضیحات خط‌به‌خط کد نشان می‌دهند که TD3 چگونه فراجهش و زمان نشست را در سیستم‌های تعلیق فعال کاهش می‌دهد. این دوره برای مهندسی خودرو و کاربران RL با PyTorch بسیار مناسب است. هیچ تجربه‌ قبلی در RL لازم نیست فقط آشنایی پایه با پایتون و نظریه‌ کنترل کافی است. آنچه دریافت می‌کنید: کد کامل و قابل اجرای پایتون برای Q-learning و تیونینگ PID با TD3 شبیه‌سازی‌های مدل نیمه‌خودرو همراه با مصورسازی‌ها نکاتی برای استقرار کنترلرهای تیونینگ شده با RL در سیستم‌های بلادرنگ با تخصص در سیستم‌های کنترل هوش مصنوعی محور، رزومه‌ خود را تقویت کنید. همین حالا در دوره شرکت کرده و تئوری را به تعلیق‌هایی قابل تیونینگ و پربازده تبدیل کنید. علاوه بر این، یک الگوریتم ساده‌ پس‌انتشار را برای تیونینگ دستی یک شبکه‌ عصبی کوچک به کار می‌بریم. این بخش، درک شهودی لازم را درباره‌ ساختار شبکه‌های عصبی، نحوه‌ آموزش آنها و در نهایت نحوه‌ استقرارشان به شما می‌دهد. این دوره برای چه کسانی مناسب است؟ دانشجویان مهندسی متخصصان مهندسی