کتاب صوتی یادگیری تقویتی چندعامله برای طراحی سیستم‌های حمل و نقل خودران و هوشمند در مقیاس قاره‌ای

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی چندعامله برای طراحی سیستم‌های حمل و نقل خودران و هوشمند در مقیاس قاره‌ای

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بهینه‌سازی سیستم‌های مدیریت حمل و نقل هوشمند در مقیاس قاره‌ای با استفاده از داده‌های بلادرنگ و پیش‌بینی

📋 سرفصل‌های دوره

• 1. مبانی یادگیری تقویتی
• 2. معرفی سیستم‌های حمل و نقل خودران
• 3. چالش‌های مقیاس‌پذیری در حمل و نقل خودران
• 4. مدل‌سازی محیط‌های حمل و نقل پیچیده
• 5. الگوریتم‌های یادگیری تقویتی پایه
• 6. Q-Learning و کاربردهای آن در حمل و نقل
• 7. Deep Q-Network (DQN) برای سیستم‌های خودران
• 8. Policy Gradient Methods در کنترل خودرو
• 9. Actor-Critic Methods برای تصمیم‌گیری بهینه
• 10. یادگیری تقویتی سلسله مراتبی در حمل و نقل
• 11. مفاهیم برنامه‌ریزی حرکت در رباتیک
• 12. برنامه‌ریزی مسیر با استفاده از الگوریتم‌های جستجو
• 13. A* و Dijkstra برای مسیریابی در شبکه‌های حمل و نقل
• 14. Rapidly-exploring Random Trees (RRT) برای برنامه‌ریزی مسیر
• 15. مدل‌سازی پویایی خودرو و عوامل محیطی
• 16. شبیه‌سازی محیط‌های حمل و نقل شهری
• 17. توسعه محیط‌های شبیه‌سازی واقع‌گرایانه
• 18. استفاده از داده‌های واقعی برای آموزش مدل‌ها
• 19. پردازش و پاکسازی داده‌های حسگر خودرو
• 20. تشخیص اشیا و ردیابی آن‌ها در محیط
• 21. بینایی ماشین برای شناسایی علائم راهنمایی و رانندگی
• 22. Fusion حسگرها (Camera, LiDAR, Radar)
• 23. برآورد وضعیت (State Estimation) در سیستم‌های خودران
• 24. کنترل خودرو با استفاده از یادگیری تقویتی
• 25. کنترل سرعت و فاصله با خودروی جلویی
• 26. کنترل مسیر و مانورهای پیچیده
• 27. مدیریت ترافیک با استفاده از سیستم‌های هوشمند
• 28. بهینه‌سازی جریان ترافیک با یادگیری تقویتی
• 29. پیش‌بینی ترافیک و مدیریت ازدحام
• 30. هوش جمعی در سیستم‌های حمل و نقل خودران
• 31. ارتباطات Vehicle-to-Vehicle (V2V) و Vehicle-to-Infrastructure (V2I)
• 32. امنیت سایبری در سیستم‌های حمل و نقل خودران
• 33. تست و اعتبارسنجی سیستم‌های خودران
• 34. استانداردهای ایمنی و مقررات مربوط به خودروهای خودران
• 35. یادگیری تقویتی چندعامله (Multi-Agent Reinforcement Learning)
• 36. هماهنگی بین خودروهای خودران
• 37. بازی‌های تقویتی برای مدل‌سازی رفتار رانندگان
• 38. استراتژی‌های تصمیم‌گیری در شرایط ترافیکی پیچیده
• 39. بهینه‌سازی مصرف انرژی در خودروهای خودران
• 40. طراحی سیستم‌های حمل و نقل پایدار
• 41. یادگیری تقویتی و برنامه‌ریزی ناوگان حمل و نقل
• 42. مدیریت شارژ خودروهای الکتریکی
• 43. مدیریت پارکینگ هوشمند با استفاده از یادگیری تقویتی
• 44. تأثیر خودروهای خودران بر زیرساخت‌های شهری
• 45. برنامه‌ریزی شهری هوشمند با در نظر گرفتن خودروهای خودران
• 46. توسعه الگوریتم‌های یادگیری تقویتی مقاوم در برابر نویز
• 47. یادگیری تقویتی آفلاین (Offline Reinforcement Learning)
• 48. یادگیری تقویتی با انتقال یادگیری (Transfer Learning)
• 49. یادگیری تقویتی با پاداش‌های پراکنده (Sparse Reward)
• 50. یادگیری تقویتی سلسله مراتبی عمیق (Deep Hierarchical Reinforcement Learning)
• 51. بهبود قابلیت تعمیم‌پذیری مدل‌های یادگیری تقویتی
• 52. تکنیک‌های کاهش ابعاد در داده‌های حسگر
• 53. انتخاب ویژگی (Feature Selection) برای یادگیری تقویتی
• 54. یادگیری تقویتی با استفاده از داده‌های نامتوازن (Imbalanced Data)
• 55. کاربردهای یادگیری تقویتی در سیستم‌های حمل و نقل ریلی
• 56. کاربردهای یادگیری تقویتی در سیستم‌های حمل و نقل هوایی
• 57. یادگیری تقویتی در مدیریت زنجیره تأمین
• 58. بهینه‌سازی لجستیک با استفاده از یادگیری تقویتی
• 59. ارزیابی عملکرد سیستم‌های حمل و نقل خودران
• 60. معیارهای ارزیابی عملکرد در یادگیری تقویتی
• 61. یادگیری تقویتی و اخلاق در سیستم‌های خودران
• 62. مسائل حقوقی و مسئولیت‌پذیری در تصادفات خودروهای خودران
• 63. آینده یادگیری تقویتی در حمل و نقل هوشمند