Política End-to-End de Conducción para un Reto de Karting Autónomo
Visión general
De qué trata este proyecto.
Entrena una CNN para un karting autónomo en CARLA, compite contra un PID con lluvia y viento. Recibe un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Entrenar una política end-to-end que complete el circuito en al menos 25 de 30 corridas con perturbaciones, mejorando el tiempo medio vs el PID baseline.
Earning criteria — what you'll demonstrate
- Aplicar aprendizaje por imitación a control de vehículo
- Evaluar políticas con perturbaciones controladas
- Comparar política aprendida vs baseline clásico
- Diseñar un plan de iteración con DAgger
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
AI for Autonomous Vehicles
Master · Ai Ml
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero de Aprendizaje Automático
Aprendizaje por imitación y evaluación con perturbaciones controladas es trabajo cotidiano del MLE en robótica móvil.
Este proyecto afina
- imitation-learning
- pytorch
- model-evaluation
Investigador en IA
Diseñar un plan DAgger y comparar contra baseline clásico es músculo del investigador en aprendizaje secuencial.
Este proyecto afina
- imitation-learning
- end-to-end-learning
- simulation
Científico de IA Aplicada
Llevar una política aprendida a un benchmark con perturbaciones es el músculo del applied AI scientist en robótica.
Este proyecto afina
- end-to-end-learning
- simulation
- model-evaluation