اکسپرس 24
کتاب اصول یادگیری تقویتی چندعامله برای هوش مصنوعی ربات‌های جستجو و نجات

کتاب اصول یادگیری تقویتی چندعامله برای هوش مصنوعی ربات‌های جستجو و نجات

تگ‌ها: Autonomous Navigation Communication Protocols Cooperative AI Deep Reinforcement Learning Ethical AI Gazebo Hierarchical RL MARL Multi-Agent Reinforcement Learning Real-World Deployment Robotics ROS2 Safety-Critical Systems Search and Rescue Robots Sim-to-Real Transfer

انتخاب پلن

افزودنی‌های اختیاری

انتخاب پلن برای ادامه خرید الزامی است.

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

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول یادگیری تقویتی چندعامله برای هوش مصنوعی ربات‌های جستجو و نجات

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای کنترل ربات‌های جستجو و نجات

📋 سرفصل‌های دوره

  • 1. مقدمه بر یادگیری تقویتی تک‑عامله
  • 2. آساس‌های MarL و تفاوت‌های آن با RL تک‑عامله
  • 3. فریم‌ورک‌های محبوب MarL (MADDPG, QMIX, VDN, COMA و غیره)
  • 4. مدلسازی محیط جستجو و نجات به‌عنوان فرآین تصمیم‌گیری ماركوف چند عامله
  • 5. تعریف وضعیت و عمل برای روبات‌های جستجو و نجات
  • 6. طراحی تابع جایزه برای یافتن nạnین و جلوگیری از تصادف
  • 7. به‌کارگیری شبیه‌ساز Gazebo برای تست MarL چند عامله
  • 8. استفاده از ROS2 در پیاده‌سازی الگوریتم‌های MarL
  • 9. مفاهیم یادگیری децентралиزد مع آموزش مرکزی و اجرا децентралиزد (CTDE)
  • 10. الگوریتم QMIX برای کنترل همکاری روبات‌ها
  • 11. الگوریتم MADDPG برای کنترل پیوسته حرکات روبات
  • 12. الگوریتم VDN و مقایسهٔ آن با QMIX
  • 13. الگوریتم COMA برای تخصیص اعتبار در تیم‌های روبات
  • 14. روش‌های مبتنی بر comunicação بین روبات‌ها
  • 15. یادگیری پروتکل‌های ارتباطی از طریق MarL
  • 16. مکانیзмы attenion برای تبادل اطلاعات
  • 17. آموزش MarL با استفاده از curriculum learning
  • 18. تنظیم هيپرپارامترها برای MarL در محیط‌های جستجو و نجات
  • 19. ارزیابی عملکرد MarL با معیارهای نرخ موفقیت، زمان یافتن و taux تصادف
  • 20. تحلیل یادگیری چند عامله در स्थितی‌های partiellement observable
  • 21. استفاده از belief states و POMDP در MarL برای روبات‌های جستجو
  • 22. ترکیب SLAM با MarL برای ساخت نقشه مشترک
  • 23. آموزش MarL برای reparto ناحیه جستجو (تقسیم نواحی)
  • 24. استراتژی‌های تفکیک وظایف (task allocation) مبتنی بر MarL
  • 25. یادگیری MarL برای جلوگیری از تصادف در فضاهای چنگال
  • 26. آموزش MarL برای مسیر یابی بهینه در محیط‌های disastrous
  • 27. استفاده از hiérarchical RL (HRL) در MarL برای روبات‌های جستجو
  • 28. سطوح مهارت:.navigation de base vs recherche de victimes
  • 29. آموزش MarL با جایزه شکل‌دار برای تشجيع eksploración
  • 30. تکنیک‌های eksploración مبتنی بر entropy در MarL
  • 31. به‌کارگیری نویز پارامتری برای eksploración مستمر
  • 32. استفاده از نمایشات متخصص (imitation learning) برای پیش‌آموزش MarL
  • 33. ترکیب imitation learning و تقویت در MarL (DAgger, GAIL)
  • 34. رفع چالش non-stationarity در MarL با مدلسازی رقبا
  • 35. استفاده از critic مرکزی برای کاهش non-stationarity
  • 36. آموزش MarL در محیط‌های multi-agent با تعداد متغیر روبات‌ها
  • 37. مقیاس‌پذیری MarL برای تیم‌های بزرگ (≥10 روبات)
  • 38. بهینه‌سازی حافظه و محاسبه برای آموزش MarL در سیستم‌های嵌入ه
  • 39. استفاده از آموزش توزیع‌شده (Horovod, Ray) برای MarL
  • 40. آموزش MarL با استفاده از محیط‌های równoleس (vectorized envs)
  • 41. ارزیابی übertragbarkeit سیاست‌های MarL از شبیه‌ساز به دنیای واقعی
  • 42. انتقال سیاست (sim-to-real) با domain randomization
  • 43. آموزش MarL برای روبات‌های heterogeneous (هوایی، زمینی، شناور)
  • 44. تنسيق جوی-زمینی در MarL برای یافتن nạnین در مناطق صعب‌الدسترسی
  • 45. استفاده از LiDAR و دوربین‌های depth در percepcione برای MarL
  • 46. پردازش تصویر خام با CNN به‌عنوان ورودی برای سیاست‌های MarL
  • 47. آموزش MarL با ورودی‌های Lidar point cloud به‌واسطه PointNet
  • 48. ترکیب sensor fusion (IMU, GPS, odometry) در حالت ورودی MarL
  • 49. طراحی سیاست‌های MarL با خروجی‌های پیوسته (سرعت، زاویه)
  • 50. طراحی سیاست‌های MarL با خروجی‌های گسسته (دستور‌های déplacement discret)
  • 51. به‌کارگیری action masking برای جلوگیری از اقدامات غيرمجاز (مثل تصادف)
  • 52. آموزش MarL با Constrained RL برای تضمین محدودیت‌های ایمنی
  • 53. استفاده از Lagrange multipliers برای بهینه‌سازی تحت محدودیت انرژی
  • 54. آموزش MarL برای حداکثر رساندن زمان عملแบطاری
  • 55. به‌کارگیری reward shaping مبتنی بر فاصله بهเหยื่อ
  • 56. آموزش MarL برای یافتن چندین nạnین متوالی (multi‑task sequencing)
  • 57. برنامه‌ریزی مسیر پیش‌emptive با MarL و الگوریتم D*
  • 58. به‌کارگیری MarL برای إعادة планン عندما يتعطل الروبوت
  • 59. آموزش MarL برای comportamenti de secours (اسلامه اسباب، repeater ارتباط)
  • 60. ارزیابی robustness MarL در برابر خرابی حسگر
  • 61. آموزش MarL برای tolerence به шумы اندازه‌گیری
  • 62. استفاده از Bayesian MARL برای عدم اطمینان در مدل انتقال
  • 63. آموزش MarL با یادگیری تقویتی متا (MAML) برای سرعت انطباق در مأموریت‌های جدید
  • 64. به‌کارگیری MarL برای آموزش همزمان چندین مأموریت (جستجو، نجات، деконтаминация)
  • 65. تحلیل تأثیر تعداد روباتان بر سرعت یاب (قوانین مقیاس)
  • 66. مطالعه اثر topology ارتباطات (vollständ، ring، star) بر عملکرد MarL
  • 67. آموزش MarL با استفاده از گراف‌های عصبی (GNN) برای مدل‌سازی تعاملات
  • 68. ادغام شبکه‌های ارزش مبتنی بر GNN در MarL
  • 69. به‌کارگیری critic مبتنی بر attention برای وزن‌دهی پیام‌های همسایه
  • 70. طراحی Experiences مقایسه‌ای برای benchmarking الگوریتم‌های MarL در حوزهٔ جستجو و نجات
  • 71. گزارش نتایج و نمایش سیاست‌های یادگیری (heatmaps, مسیرها)
  • 72. نکات عملی برای استقرار MarL روی روبات‌های واقعی (Jetson, Raspberry Pi)
  • 73. بهینه‌سازی زمان inferencing برای سیاست‌های MarL در زمان واقعی
  • 74. استفاده از TensorRT یا ONNX برای تسریع inferencing
  • 75. بررسی تأخیر ارتباطات بر عملکرد MarL توزیع‌شده
  • 76. آموزش MarL برای مقابله با شرایط دینامیک (مثل valanche)
  • 77. مطالعه موردی: مأموریت نجات پس از زلزله
  • 78. مطالعه موردی: جستجوی naufragés در محیط inondé
  • 79. مطالعه موردی: یافتن lost hikers در montagnes
  • 80. بهترین شیوه‌های به اشتراک‌گذاری کد و محیط (Docker, Singularity)
  • 81. منابع باز: محیط‌های باز (MARL‑SAR, ROS2‑Gazebo)
  • 82. جامعهٔ تخصصی و مجلات: کنفرانس‌ها (AAMAS, IJCAI, RSS) و مجلات
  • 83. اخلاق استفاده از روبات‌های خودمختار در سناریوهای نجات
  • 84. ملاحظات قانونی و مسئولیت در زمان استقرار
  • 85. برنامه نگهداری و به‌روزرسانی سیاست‌های MarL آموخته
  • 86. ارزیابی اثر زیست‌محیطی کارکرد flotilla روبات‌ها
  • 87. استفاده از دیجیتال توین برای تست مستمر سیاست‌ها
  • 88. بازگشت از تجربه: leçons tirées des déploiements sur le terrain
  • 89. آموزش تیم‌های انسانی برای نظارت بر flotilla روبات‌های MARL
  • 90. ادغام سیستم‌های هشدار و ارتباطات اضطراری با روبات‌ها
  • 91. تدوین دستورالعمل‌های عملیاتی استاندارد (SOP) برای مأموریت‌های SAR
  • 92. табло табло в реальном времени для отслеживания состояния флота (батарея, ссылки, здоровье)
  • 93. استفاده از واقعیت افزوده برای یاریoperators در زمین
  • 94. سناریوهای آموزش در واقعیت مجازی برایoperators و روبات‌ها
  • 95. مقیاس‌پذیری سیستم: از چند روبات تا flotilla از صدها روبات
  • 96. مدیریت پهنای باند شبکه در مناطق آسیب‌دیده
  • 97. يادگاری و تحمل عطل: راهکارهای جابه‌جایی بین روبات‌ها
  • 98. استفاده از پهپاد‌های relay برای گسترش حوزهٔ ارتباطات
  • 99. برنامه تأمین انرژی: ایستگاه‌های بارگذاری خودمختار یا تبادل باتری
  • 100. نگاه به آینده: MarL چند‑حالتی، یادگیری بدون نظارت، AI قابل‌توضیح

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.