کتاب صوتی آموزش جامع الگوریتم Q-Learning و یادگیری تقویتی عمیق در مسیریابی و هدایت خودروهای خودران

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع الگوریتم Q-Learning و یادگیری تقویتی عمیق در مسیریابی و هدایت خودروهای خودران

موضوع کلی: هوش مصنوعی و رباتیک

موضوع میانی: یادگیری تقویت تعاملی و مسیریابی خودروهای خودمختار

📋 سرفصل‌های دوره

• 1. مفاهیم پایه یادگیری تقویتی و اصطلاحات عامل، محیط، وضعیت و پاداش
• 2. فرموله‌سازی مسئله مسیریابی خودروهای خودمختار به عنوان فرایند تصمیم‌گیری مارکوف (MDP)
• 3. طراحی فضای وضعیت (State Space) برای هدایت خودرو شامل سرعت، زاویه و فاصله با موانع
• 4. طراحی فضای عمل (Action Space) پیوسته و گسسته برای فرمان‌دهی، شتاب‌گیری و ترمز
• 5. طراحی تابع پاداش (Reward Function) بهینه برای حفظ ایمنی، سرعت و راحتی سرنشین
• 6. اصول ریاضی جدول Q و به‌روزرسانی ارزش‌های حالت-عمل (State-Action Values)
• 7. پیاده‌سازی الگوریتم Q-Learning پایه در محیط‌های ساده شبیه‌سازی خودرو
• 8. راهبردهای اکتشاف و بهره‌برداری (Exploration vs Exploitation) و استراتژی Epsilon-Greedy
• 9. ارزیابی نرخ یادگیری (Learning Rate) و ضریب تنزیل (Discount Factor) در همگرایی مدل
• 10. محدودیت‌های Q-Learning جدولی در فضاهای وضعیت بزرگ و پیوسته
• 11. ورود به Q-Learning عمیق (Deep Q-Networks - DQN) برای مسیریابی هوشمند
• 12. طراحی معماری شبکه عصبی برای تخمین ارزش Q در هدایت خودرو
• 13. استفاده از حافظه بازپخش تجربه (Experience Replay) برای تثبیت روند یادگیری
• 14. پیاده‌سازی شبکه هدف (Target Network) برای کاهش نوسانات الگوریتم DQN
• 15. روش‌های پردازش داده‌های سنسوری شامل لیدار (LiDAR) و دوربین در فضای وضعیت
• 16. تلفیق الگوریتم‌های Double DQN و Dueling DQN جهت بهبود دقت مسیریابی
• 17. مدلسازی تعقیب مسیر و تغییر خط (Lane Changing) خودکار با DQN
• 18. پیاده‌سازی سبقت هوشمند و حفظ فاصله ایمن (Adaptive Cruise Control) با Q-Learning
• 19. مدیریت تقاطع‌ها و اولویت عبور در شبیه‌سازی خودروهای خودران
• 20. طراحی مکانیزم‌های پاداش برای جلوگیری از تصادف و خروج از خطوط جاده
• 21. تنظیم هایپرپارامترهای شبکه عمیق برای بهینه‌سازی سرعت یادگیری
• 22. آموزش الگوریتم در محیط‌های شبیه‌ساز استاندارد مانند CARLA و Gymnasium
• 23. انتقال دانش یادگیری از محیط شبیه‌سازی به دنیای واقعی (Sim-to-Real Transfer)
• 24. ارزیابی عملکرد مدل، سناریوهای تست پیچیده و تحلیل پایداری مسیریابی خودرو