Reinforcement Learning fuer Greifoptimierung in Picking-Robotern in der OWL-Logistik
Übersicht
Worum es bei diesem Projekt geht.
Trainiere eine PPO-Policy und CNN-Baseline für Roboter-Greifoptimierung und evaluiere sie auf echten Daten. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Trainiere eine RL-Greif-Policy und uebertrifff die handprogrammierte Heuristik in First-Try-Erfolgsrate auf einem realen Greif-Datensatz.
Earning criteria — what you'll demonstrate
- RL-Greif-Policy mit PPO trainieren
- Tiefenkamera-Observations effektiv in Policy-Eingaben verwenden
- RL- und Supervised-Baselines fair vergleichen
- Erfolgsmetriken aus der Industriepraxis (First-Try-Rate, Greifdauer) einsetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Robot Learning
Master · Ai Ml
Fit score: 1
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 RollenMachine Learning Engineer
RL-Greif-Policies mit Sim-Training und Real-Eval auf einer industrierelevanten Plattform zu liefern ist eine sehr nachgefragte ML-Engineer-Faehigkeit in Logistik-Automatisierern.
Dieses Projekt schärft
- reinforcement-learning
- robotic-grasping
- ppo
ML Researcher
Greif-RL gegen Supervised-Baselines mit stratifizierter Eval zu vergleichen ist Standardarbeit eines ML Researchers in Roboterlern-Gruppen.
Dieses Projekt schärft
- reinforcement-learning
- depth-perception
- model-evaluation
Computer Vision Engineer
Tiefenkamera-Wahrnehmung als first-class-Eingabe einer Greif-Policy zu nutzen ist eine Bruecke zu CV-Engineer-Arbeit an Robotik-Wahrnehmungs-Stacks.
Dieses Projekt schärft
- depth-perception
- robotic-grasping
- isaac-sim
Noch eine Sache