کتاب صوتی یادگیری تقویتی چندعامله برای ناوبری خودمختار ربات‌های زیردریایی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی چندعامله برای ناوبری خودمختار ربات‌های زیردریایی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای کنترل ربات‌های زیردریایی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ناوبری خودمختار ربات‌های زیردریایی
• 2. مروری بر یادگیری تقویتی (RL)
• 3. مبانی یادگیری تقویتی چندعامله (MARL)
• 4. چالش‌های MARL در محیط‌های زیردریایی
• 5. تفاوت‌های RL تک‌عامله و MARL
• 6. معماری‌های ارتباطی در MARL
• 7. محیط‌های شبیه‌سازی برای ربات‌های زیردریایی
• 8. ابزارهای شبیه‌سازی رایج (Gazebo, USV Simulator)
• 9. فضای حالت و فضای عمل در ناوبری زیردریایی
• 10. طراحی پاداش برای ناوبری خودمختار
• 11. الگوریتم‌های پایه MARL: Independent Q-Learning (IQL)
• 12. الگوریتم‌های پایه MARL: Value Decomposition Networks (VDN)
• 13. الگوریتم‌های پایه MARL: QMIX
• 14. الگوریتم‌های پایه MARL: Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
• 15. الگوریتم‌های پایه MARL: Counterfactual Multi-Agent Policy Gradients (COMA)
• 16. پیاده‌سازی IQL برای ناوبری ساده
• 17. پیاده‌سازی VDN برای ناوبری هماهنگ
• 18. پیاده‌سازی QMIX برای ناوبری پیچیده
• 19. پیاده‌سازی MADDPG برای کنترل دقیق
• 20. پیاده‌سازی COMA برای حل تعارض
• 21. مدیریت عدم قطعیت در محیط‌های زیردریایی
• 22. استفاده از فیلتر کالمن برای تخمین وضعیت
• 23. یادگیری متقابل (Transfer Learning) در MARL
• 24. بهینه‌سازی هایپرمترها در MARL
• 25. استفاده از شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصاویر
• 26. استفاده از شبکه‌های عصبی بازگشتی (RNN) برای پردازش داده‌های زمانی
• 27. ارتباطات زیرآبی و محدودیت‌های آن
• 28. بهینه‌سازی مصرف انرژی در ربات‌های زیردریایی
• 29. طراحی سیستم‌های ناوبری مقاوم در برابر نویز
• 30. استفاده از حسگرهای مختلف (Sonar, IMU, GPS)
• 31. ادغام داده‌های حسگر برای ناوبری دقیق
• 32. تکنیک‌های اجتناب از برخورد در MARL
• 33. یادگیری اکتشافی در محیط‌های ناشناخته
• 34. استراتژی‌های همکاری و رقابت در MARL
• 35. استفاده از مکانیسم‌های توجه (Attention) در MARL
• 36. تکنیک‌های فشرده‌سازی مدل برای پیاده‌سازی روی سخت‌افزار محدود
• 37. استفاده از یادگیری تقویتی سلسله مراتبی (Hierarchical RL)
• 38. توسعه سیاست‌های ناوبری برای ماموریت‌های خاص
• 39. تست و ارزیابی الگوریتم‌های MARL در دنیای واقعی
• 40. پیاده‌سازی MARL بر روی ربات‌های زیردریایی واقعی
• 41. چالش‌های مقیاس‌پذیری در MARL
• 42. رویکردهای توزیع‌شده برای MARL
• 43. یادگیری تقویتی آفلاین (Offline RL) در ناوبری زیردریایی
• 44. امنیت در MARL برای ربات‌های زیردریایی
• 45. یادگیری تقویتی ایمن (Safe RL)
• 46. آینده MARL در ناوبری زیردریایی