Übersicht
Worum es bei diesem Projekt geht.
Du bekommst einen Gymnasium-kompatiblen Lager-Simulator (50x50-Raster, 8 dynamische Fußgänger als Hindernisse, 20 zufällige Pick-Positionen) und das Baseline-A*-Skript. Trainiere einen DQN-Agenten mit Experience Replay (Wiederverwendung alter Erfahrungen) und einem Target-Network (eingefrorenes Zielnetz für stabile Updates), bis er den A*-Planer auf einer 100-Episoden-Evaluation deutlich schlägt. Berichte mittlere Belohnung pro Episode, mittlere Wegezeit pro Pick, Kollisionsrate pro 1.000 Schritte und Wall-Clock-Trainingszeit auf einer gemieteten L4-GPU. Packe alles in ein reproduzierbares Trainingsskript und schreibe ein 2-seitiges Memo für die Entwicklungsleitung.
Das Briefing
Was Du tust und was Du zeigst.
Schlage eine DQN-Lagerrouting-Policy so gegen den produktiven A*-Planer aus, dass eine fundierte Pilot-Empfehlung möglich wird.
Earning criteria — what you'll demonstrate
- Deep-Q-Learning mit Experience Replay und Target-Network sauber implementieren
- Einen fairen Vergleich zwischen einer gelernten Policy und einem klassischen Planer entwerfen
- Trainings-Instabilitäten anhand der Diagnose-Plots identifizieren und beheben
- Experimentelle Ergebnisse in eine geschäftliche Empfehlung übersetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML-Ingenieur:in
Reproduzierbares Training, sauberes Logging und ein Benchmark gegen ein produktives Baseline-System sind genau die Aufgaben, die ML-Ingenieurinnen in den ersten Monaten in Robotik-Unternehmen übernehmen.
Dieses Projekt schärft
- pytorch
- experiment-design
- benchmarking
Angewandte:r KI-Wissenschaftler:in
Eine Methode aus der RL-Forschung in einen geschäftsentscheidungs-tauglichen Vergleich zu überführen ist der Kern angewandter KI-Arbeit in Industrieprojekten.
Dieses Projekt schärft
- reinforcement-learning
- deep-q-learning
- experiment-design
KI-Ingenieur:in
Den gesamten Loop von Simulator über Training bis zur Produkt-Empfehlung selbst zu bauen entspricht dem Alltag von KI-Ingenieurinnen in Frühphasen-Robotikunternehmen.
Dieses Projekt schärft
- simulation
- pytorch
- benchmarking
Noch eine Sache