Sim-to-Real-Policy für einen 6-Achs-Greifroboter überführen
Übersicht
Worum es bei diesem Projekt geht.
Trainiere eine PPO-Policy mit Domain-Randomization in MuJoCo, bewerte sie auf realen Roboterdaten und erhalte dein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Schließe die Sim-to-Real-Lücke einer PPO-Greifpolicy mit Domain-Randomization so weit, dass die Real-Erfolgsrate messbar und reproduzierbar steigt.
Earning criteria — what you'll demonstrate
- Policy-Gradient-Verfahren in einer realitätsnahen Robotik-Pipeline anwenden
- Domain-Randomization als Sim-to-Real-Strategie umsetzen und auswerten
- Pareto-Trade-offs zwischen Simulations- und Realweltleistung quantifizieren
- Forschungsergebnisse für eine Pilot-Roadmap aufbereiten
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Deep Reinforcement 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 RollenForschungswissenschaftler:in
Eine Ablation mit sauberen Achsen, Konfidenzintervallen und einer Pareto-Diskussion zu liefern entspricht der Erstprojekterwartung an Junior-Forschungswissenschaftlerinnen in Robotik-Laboren.
Dieses Projekt schärft
- policy-gradients
- sim-to-real
- domain-randomization
ML-Forscher:in
Sim-to-Real ist ein anhaltendes Forschungsthema in der Industrieroboter-Branche; das Setup hier ist ein realistisches Portfolio-Stück für Bewerbungen.
Dieses Projekt schärft
- ppo
- domain-randomization
- evaluation
Angewandte:r KI-Wissenschaftler:in
Forschungsmethoden auf reale Hardware-Daten anzuwenden und die Ergebnisse für eine Pilot-Roadmap zu kondensieren ist täglich Brot angewandter KI-Wissenschaftlerinnen.
Dieses Projekt schärft
- pytorch
- evaluation
- sim-to-real
Noch eine Sache