Robotics,Artificial Intelligence,Computer Vision and Pattern Recognition,Machine Learning,Systems and Control,روباتیک , هوش مصنوعی , چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین , سیستم ها و کنترل ,
توضیحات
Submitted 10 July, 2024; originally announced July 2024. , Comments: Project webpage: https://younggyo.me/cqn/
توضیحات به فارسی
10 ژوئیه 2024 ارسال شد.در ابتدا ژوئیه 2024 اعلام شد. ، نظرات: صفحه وب پروژه: https://younggyo.me/cqn/
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Despite recent advances in improving the sample-efficiency of reinforcement learning (RL) algorithms, designing an RL algorithm that can be practically deployed in real-world environments remains a challenge. In this paper, we present Coarse-to-fine Reinforcement Learning (CRL), a framework that trains RL agents to zoom-into a continuous action space in a coarse-to-fine manner, enabling the use of stable, sample-efficient value-based RL algorithms for fine-grained continuous control tasks. Our key idea is to train agents that output actions by iterating the procedure of (i) discretizing the continuous action space into multiple intervals and (ii) selecting the interval with the highest Q-value to further discretize at the next level. We then introduce a concrete, value-based algorithm within the CRL framework called Coarse-to-fine Q-Network (CQN). Our experiments demonstrate that CQN significantly outperforms RL and behavior cloning baselines on 20 sparsely-rewarded RLBench manipulation tasks with a modest number of environment interactions and expert demonstrations. We also show that CQN robustly learns to solve real-world manipulation tasks within a few minutes of online training.
چکیده به فارسی (ترجمه ماشینی)
علیرغم پیشرفت های اخیر در بهبود کارآیی نمونه الگوریتم های یادگیری تقویت (RL) ، طراحی یک الگوریتم RL که می تواند عملاً در محیط های دنیای واقعی مستقر شود ، یک چالش است.در این مقاله ، ما یادگیری تقویت کننده درشت به Faine (CRL) را ارائه می دهیم ، چارچوبی که عوامل RL را آموزش می دهد تا یک فضای عمل مداوم را به صورت درشت به صورت درشت بزرگنمایی کنند و امکان استفاده از ارزش پایدار و نمونه ای را فراهم می کنند.الگوریتم های RL مبتنی بر کارهای کنترل مداوم ریز دانه.ایده اصلی ما این است که با تکرار روش (i) گسسته کردن فضای عمل مداوم در فواصل مختلف و (ب) انتخاب فاصله با بالاترین مقدار Q ، به نمایندگان آموزش دهند که اقدامات خروجی را انجام می دهند.سپس یک الگوریتم بتونی و مبتنی بر ارزش را در چارچوب CRL به نام درشت Q-Network (CQN) معرفی می کنیم.آزمایشات ما نشان می دهد که CQN به طور قابل توجهی از RL و خط مقدمات کلونینگ رفتار در 20 کار دستکاری RLBench کم نظیر با تعداد متوسطی از تعامل محیط و تظاهرات تخصصی استفاده می کند.ما همچنین نشان می دهیم که CQN با استحکام یاد می گیرد که در طی چند دقیقه آموزش آنلاین ، وظایف دستکاری در دنیای واقعی را حل کند.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
