کتاب بهینه‌سازی استراتژی‌های نقشه‌برداری پهپادها با یادگیری تقویتی چندعامله با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

249,950 تومان
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی استراتژی‌های نقشه‌برداری پهپادها با یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای کنترل ربات‌های پرنده برای نقشه‌برداری

📋 سرفصل‌های دوره

  • 1. مبانی یادگیری تقویتی تک‌عامله
  • 2. فرآیند تصمیم‌گیری مارکوف
  • 3. دالتیده و سیگما در RL
  • 4. Politicy Gradient و Actor-Critic
  • 5. Deep Q-Network (DQN)
  • 6. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
  • 7. تحدی‌های کلیدی MARL: غیرایستایی و تعامل
  • 8. محیط‌های مشترک و ذهنیت‌های مشترک
  • 9. الگوریتم‌های مرکزیت-محوری: QMIX و MAPPO
  • 10. PPO چندعامله و MADDPG
  • 11. ترکیب‌های Actor-Critic چندعامله
  • 12. دینامیک پرواز پهپاد و مدل فیزیکی
  • 13. مسئلهٔ کنترل چندپهپادی
  • 14. نقشه‌برداری هوایی: اصول و الگوریتم‌ها
  • 15. پهنای تصویربرداری و پوشش زمین
  • 16. مسیریابی پوششی در نقشه‌برداری
  • 17. الگوریتم‌های طی‌مسیر با محدودیت
  • 18. تقسیم کار چندعامله برای نقشه‌برداری
  • 19. تخصیص وظیفهٔ پویا
  • 20. تعیین نقش هر پهپاد در اسwarm
  • 21. ارتباط بین‌عاملی: توپولوژی و پروتکل
  • 22. اطلاعات محلی در مقابل اطلاعات جهانی
  • 23. انتشارات و مشاهدهٔ بخشی
  • 24. مدل‌سازی سازگاری رفتاری
  • 25. کاوشگری در محیط ناشناخته
  • 26. تعادل بین کاوش و بهره‌برداری
  • 27. تشدید پوشش با MARL
  • 28. جلوگیری از برخورد چندپهپادی
  • 29. برنامه‌ریزی مسیر پویا با RL
  • 30. محدودیت‌های انرژی و شارژ
  • 31. مدیریت انرژی چندعامله
  • 32. تصمیم‌گیری ترکیبی پهپاد-پایگاه
  • 33. محیط‌های شبیه‌سازی: Gazebo و AirSim
  • 34. راه‌اندازی سناریوهای چندپهپادی
  • 35. اعداد انگلیسی و پارامترهای RL
  • 36. طراحی reward برای نقشه‌برداری
  • 37. پاداش پوشش، دقت و هزینه
  • 38. طراحی State و Action فضای چندعامله
  • 39. تعامل عامل با محیط نقشه‌برداری
  • 40. مدل انتقال و ریوارد در شبیه‌ساز
  • 41. آموزش تجمعی و تجربه‌بازیابی
  • 42. توزیع بار محاسباتی آموزش
  • 43. انتقال یادگیری بین محیط‌ها
  • 44. Fine-tuning روی دادهٔ واقعی
  • 45. یادگیری از سیاست‌های پایه
  • 46. طراحی شبکهٔ عصبی چندعامله
  • 47. Graph Neural Networks در MARL
  • 48. انتباه چندعامله و اتماسیون
  • 49. پردازش تصویر برای شناسایی ویژگی
  • 50. سنسورهای پهپاد و داده‌ی نقشه‌برداری
  • 51. هم‌جامع‌سازی دادهٔ بینایی و RL
  • 52. ارزیابی دقت نقشه و پوشش
  • 53. مقیاس‌های موفقیت چندعامله
  • 54. مقایسه عملکرد MARL و تک‌عامله
  • 55. تحلیل مقاومت در برابر خطا
  • 56. مدیریت عیب و راه‌اندازی مجدد
  • 57. پهپادهای آسیب‌پذیر و بازتوزیع وظیفه
  • 58. پرواز در فضای‌های محدود و شهری
  • 59. نقشه‌برداری زمین‌کشی و کشاورزی
  • 60. جستجو و نجات با اسwarm پهپاد
  • 61. نقشه‌برداری پس از بلایا
  • 62. کاربرد در زمین‌شناسی و معادن
  • 63. بهینه‌سازی پهنای باند ارتباطی
  • 64. تأخیر و پروتکل‌های ارتباطی واقعی
  • 65. امنیت و مقاومت در برابر حمله
  • 66. اعتبارسنجی سیاست با Sim-to-Real
  • 67. استقرار عملی اسwarm پهپاد
  • 68. مشکلات واقعی و رفع آنها
  • 69. رفع خدشهٔ شبیه‌سازی به واقعیت
  • 70. استانداردسنجی پروژهٔ پایانی
تگ‌ها: coverage path planning drone swarm MARL multi-agent reinforcement learning robotics Sim-to-Real swarm intelligence UAV بهینه‌سازی مسیر پهپاد چندعامله کاوشگری چندعامله نقشه‌برداری هوایی یادگیری تقویتی

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.