Actor-Critic fuer adaptive Ampelsteuerung in einer mittleren Stadt
Übersicht
Worum es bei diesem Projekt geht.
Implementiere Multi-Agent-Actor-Critic für 8 SUMO-Ampeln, optimiere Wartezeiten und vergleiche Algorithmen. Abschluss: verifizierbares Zertifikat.
Das Szenario
Die Stadt schaetzt, dass eine 15-prozentige Reduktion der durchschnittlichen Reisezeit den innerstaedtischen Pendelverkehr um geschaetzte 12.000 Fahrzeugstunden pro Jahr verringert — gleichzeitig braucht der Gemeinderat eine ehrliche Risiko-Aussage zu Edge Cases.
Das Briefing
Was Du tust und was Du zeigst.
Trainiere einen Multi-Agent-Actor-Critic fuer adaptive Ampelsteuerung und uebertrifff Fixed-Time und Max-Pressure auf einem SUMO-Modell.
Earning criteria — what you'll demonstrate
- Actor-Critic mit getrennten Policy- und Value-Netzen implementieren
- Multi-Agent-RL-Dynamik (Non-Stationarity) verstehen und mit Centralized Critic abmildern
- RL-Agenten in realistischen Simulationen mit klassischen Heuristiken vergleichen
- Forschungsergebnisse in politische Entscheidungs-Vorlagen uebersetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Reinforcement Learning
Master · Reinforcement Learning
Strong alignment
This challenge maps to Reinforcement Learning at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Actor Critic
Apply actor critic to solve real industry problems and demonstrate production-level capability.
- Multi Agent Rl
Apply multi agent rl to solve real industry problems and demonstrate production-level capability.
- Function Approximation
Apply function approximation to solve real industry problems and demonstrate production-level capability.
- Pytorch
Apply pytorch to solve real industry problems and demonstrate production-level capability.
- Traffic Simulation
Apply traffic simulation to solve real industry problems and demonstrate production-level capability.
- Model Evaluation
Apply model evaluation to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
ML Researcher
Multi-Agent-Actor-Critic in einer realistischen Simulation mit ehrlichem Vergleich gegen klassische Heuristiken ist eine starke Forschungsarbeit fuer ML Researcher in Smart-City- oder Verkehrsforschungsgruppen.
Dieses Projekt schärft
- actor-critic
- multi-agent-rl
- function-approximation
Applied AI Scientist
RL in einem oeffentlichen Sektor mit politischen Stakeholdern auszuwerten und Risiken klar zu kommunizieren ist Kerngebiet von Applied AI Scientists in Verkehrs- und Energie-Forschungspartnerschaften.
Dieses Projekt schärft
- traffic-simulation
- multi-agent-rl
- model-evaluation
Research Scientist
Eine RL-Methode mit dokumentierten Stress-Tests und mehrseed-Reproduktion zu validieren ist genau die Sorgfalt, die in akademischen und industriellen Forschungsgruppen erwartet wird.
Dieses Projekt schärft
- actor-critic
- function-approximation
- model-evaluation
Noch eine Sache