دوره یادگیری تقویتی برای تصمیم‌گیری و کنترل خودروهای خودران همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی برای تصمیم‌گیری و کنترل خودروهای خودران

موضوع کلی: هوش مصنوعی و سیستم‌های خودران

موضوع میانی: یادگیری تقویتی برای رانندگی خودران

📋 سرفصل‌های دوره

• 1. مبانی رانندگی خودران و نقش یادگیری تقویتی
• 2. معماری سیستم‌های هوشمند خودروهای خودران
• 3. مفاهیم پایه یادگیری تقویتی در رانندگی خودکار
• 4. مدل‌سازی رانندگی خودران به‌عنوان مسئله تصمیم‌گیری
• 5. تعریف عامل، محیط، حالت، عمل و پاداش در رانندگی
• 6. فرآیند تصمیم‌گیری مارکوف در سناریوهای رانندگی
• 7. طراحی فضای حالت برای خودروهای خودران
• 8. طراحی فضای عمل برای تصمیم‌گیری خودرو
• 9. مهندسی تابع پاداش در مسائل رانندگی خودران
• 10. تعادل میان ایمنی، سرعت و راحتی در تابع پاداش
• 11. یادگیری ارزش و سیاست در مسائل رانندگی
• 12. الگوریتم‌های Q-Learning برای تصمیم‌گیری خودرو
• 13. استفاده از Deep Q-Network در رانندگی خودران
• 14. روش‌های Actor-Critic برای کنترل خودرو
• 15. کاربرد PPO در تصمیم‌گیری خودروهای خودران
• 16. کاربرد SAC و روش‌های پیوسته در کنترل رانندگی
• 17. یادگیری تقویتی عمیق برای کنترل طولی خودرو
• 18. یادگیری تقویتی برای کنترل فرمان و مسیر
• 19. یادگیری تقویتی برای تغییر خط و انتخاب مسیر
• 20. تصمیم‌گیری در تقاطع‌ها و چهارراه‌های هوشمند
• 21. مدیریت سرعت و فاصله ایمن با یادگیری تقویتی
• 22. کنترل شتاب و ترمز در محیط‌های واقعی
• 23. مدیریت سبقت و ادغام در جریان ترافیک
• 24. تصمیم‌گیری در شرایط پرترافیک
• 25. تعامل خودروهای خودران با خودروهای انسانی
• 26. مدل‌سازی رفتار سایر خودروها برای تصمیم‌گیری
• 27. یادگیری تقویتی چندعامله برای رانندگی خودران
• 28. هماهنگی خودروهای خودران در محیط‌های چندعامله
• 29. استفاده از داده‌های حسگرها در یادگیری تقویتی
• 30. ادغام ادراک محیط با تصمیم‌گیری مبتنی بر RL
• 31. تبدیل خروجی سیستم بینایی به فضای حالت
• 32. یادگیری تقویتی مبتنی بر داده‌های دوربین و LiDAR
• 33. مدیریت عدم قطعیت در ادراک و تصمیم‌گیری
• 34. یادگیری از شبیه‌سازی برای آموزش خودروهای خودران
• 35. ساخت محیط شبیه‌سازی برای سناریوهای رانندگی
• 36. استفاده از CARLA برای آموزش عامل‌های رانندگی
• 37. تعریف سناریوهای آموزشی در محیط‌های شبیه‌سازی
• 38. تولید سناریوهای متنوع و دشوار رانندگی
• 39. Domain Randomization برای انتقال از شبیه‌سازی به واقعیت
• 40. چالش Sim-to-Real در رانندگی خودران
• 41. یادگیری تقویتی آفلاین با داده‌های رانندگی
• 42. ترکیب یادگیری تقویتی و یادگیری نظارت‌شده
• 43. یادگیری تقویتی مبتنی بر مدل و بدون مدل
• 44. مقایسه روش‌های Model-Free و Model-Based در رانندگی
• 45. یادگیری سلسله‌مراتبی برای تصمیم‌گیری چندسطحی
• 46. برنامه‌ریزی مسیر با استفاده از یادگیری تقویتی
• 47. بهینه‌سازی مسیر با معیارهای ایمنی و راحتی
• 48. مدیریت سناریوهای نادر و خطرناک با RL
• 49. یادگیری تقویتی ایمن برای خودروهای خودران
• 50. اعمال محدودیت‌های ایمنی در فرآیند یادگیری
• 51. روش‌های جلوگیری از اقدامات خطرناک عامل
• 52. بهینه‌سازی چندهدفه در رانندگی خودران
• 53. توازن میان مصرف انرژی و عملکرد رانندگی
• 54. کاهش مصرف سوخت و انرژی با یادگیری تقویتی
• 55. افزایش راحتی سرنشین با کنترل هوشمند
• 56. مقاومت عامل در برابر تغییر شرایط محیطی
• 57. سازگاری سیاست رانندگی با شرایط آب‌وهوایی
• 58. تصمیم‌گیری در شب و شرایط دید محدود
• 59. مدیریت سناریوهای پیچیده شهری با RL
• 60. ارزیابی عملکرد عامل در محیط‌های رانندگی
• 61. تعریف معیارهای ایمنی، کارایی و راحتی
• 62. آزمون عامل در سناریوهای غیرعادی و بحرانی
• 63. تحلیل خطا و شکست سیاست‌های یادگیری‌شده
• 64. بهینه‌سازی و تنظیم ابرپارامترهای الگوریتم
• 65. مقایسه الگوریتم‌های یادگیری تقویتی در رانندگی
• 66. استقرار سیاست یادگیری تقویتی روی سیستم خودرو
• 67. کاهش هزینه محاسباتی برای اجرای بلادرنگ
• 68. طراحی معماری کامل تصمیم‌گیری خودران مبتنی بر RL
• 69. پیاده‌سازی پروژه عملی رانندگی خودران با یادگیری تقویتی
• 70. اعتبارسنجی مدل در شبیه‌ساز و سناریوهای واقعی