Sim-to-Real-Transfer für einen Quadruped-Inspektionsroboter
Übersicht
Worum es bei diesem Projekt geht.
Du arbeitest in Isaac Gym (NVIDIA-GPU-beschleunigter Roboter-Simulator) mit einem URDF des Roboters. Trainiere eine Policy zum Laufen auf nassem Beton mit Domain-Randomization über Reibung, Massen und Sensor-Rauschen. Evaluiere die Policy zuerst in einer Sim-Test-Suite (300 Episoden mit randomisierten Parametern) und dann auf realen Aufzeichnungen eines Test-Parcours in einem Stollen (40 Episoden, Erfolgs-Label vom Operator). Liefere die Trainings-Pipeline, eine Auswertungstabelle Sim-vs-Real und ein 2-seitiges Memo zu den größten verbleibenden Lücken.
Das Briefing
Was Du tust und was Du zeigst.
Reduziere die Sim-to-Real-Lücke einer Quadruped-Lauf-Steuerung auf nassem Beton mit Domain-Randomization und belege die Verbesserung an realen Aufzeichnungen.
Earning criteria — what you'll demonstrate
- Reinforcement-Learning-Policies in einem physikalischen Simulator trainieren
- Domain-Randomization zur Reduktion der Sim-to-Real-Lücke einsetzen
- Sim- und Real-Evaluation als zwei separate, fair vergleichbare Suiten aufsetzen
- Verbleibende Lücken systematisch dokumentieren und priorisieren
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 RollenMaschinelles-Lernen-Forscher:in
RL-Policies mit Domain-Randomization zu trainieren und Sim-to-Real systematisch zu analysieren ist die Kernarbeit von ML-Forscher:innen in Robotik-Laboren.
Dieses Projekt schärft
- reinforcement-learning
- domain-randomization
- evaluation
Maschinelles-Lernen-Ingenieur:in
Eine reproduzierbare Trainings-Pipeline mit klarer Auswertung und Versionierung übt die produktionsnahe MLE-Disziplin, die jedes Robotik-Startup braucht.
Dieses Projekt schärft
- pytorch
- simulation
- evaluation
Angewandte:r KI-Wissenschaftler:in
Sim-to-Real-Lücken systematisch zu dokumentieren und zu priorisieren ist die typische Brückenarbeit zwischen Forschung und Feld-Einsatz in jungen Robotik-Firmen.
Dieses Projekt schärft
- domain-randomization
- learning-based-control
- evaluation
Noch eine Sache