فلش‌کارت‌های آموزشی کاربرد یادگیری تقویتی چندعامله در روباتیک و وسایل نقلیه خودران

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب کاربرد یادگیری تقویتی چندعامله در روباتیک و وسایل نقلیه خودران

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای سیستم‌های خودکار

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری تقویتی چندعامله
• 2. مبانی یادگیری تقویتی
• 3. مبانی یادگیری تقویتی چندعامله
• 4. عوامل، محیط، حالت، عمل، پاداش
• 5. سیاست، تابع ارزش، تابع اقدام-ارزش
• 6. فرایندهای تصمیم گیری مارکوف (MDP)
• 7. MDP های چندعامله (Dec-POMDP)
• 8. چالش های یادگیری تقویتی چندعامله
• 9. مشاهدات غیرقابل تفکیک، عدم قطعیت، هماهنگی، رقابت
• 10. کاربردها در روباتیک
• 11. کاربردها در وسایل نقلیه خودران
• 12. اصول اولیه یادگیری تقویتی در روباتیک
• 13. یادگیری سیاست برای کنترل ربات
• 14. یادگیری کنترل حرکتی ربات
• 15. یادگیری ناوبری ربات
• 16. یادگیری تعامل ربات
• 17. یادگیری برای ربات های انسان نما
• 18. یادگیری برای ربات های صنعتی
• 19. اصول اولیه یادگیری تقویتی چندعامله در روباتیک
• 20. یادگیری همکاری ربات ها
• 21. یادگیری رقابت ربات ها
• 22. یادگیری هماهنگی ربات ها
• 23. یادگیری برای گروهی از ربات ها
• 24. یادگیری برای ربات های خودمختار
• 25. یادگیری برای ربات های پرنده (پهپادها)
• 26. یادگیری برای ربات های زیر آب
• 27. یادگیری برای ربات های زمینی
• 28. یادگیری برای ربات های خدماتی
• 29. یادگیری برای ربات های کاوشگر
• 30. یادگیری برای ربات های امدادگر
• 31. یادگیری برای ربات های امنیتی
• 32. یادگیری برای ربات های کشاورزی
• 33. یادگیری برای ربات های ساختمانی
• 34. یادگیری برای ربات های پزشکی
• 35. یادگیری برای ربات های آموزشی
• 36. یادگیری برای ربات های سرگرمی
• 37. اصول اولیه یادگیری تقویتی در وسایل نقلیه خودران
• 38. یادگیری تصمیم گیری در وسایل نقلیه خودران
• 39. یادگیری کنترل شتاب و ترمز
• 40. یادگیری فرمان دهی
• 41. یادگیری تغییر خط
• 42. یادگیری پارک کردن
• 43. یادگیری تعامل با سایر وسایل نقلیه
• 44. یادگیری تعامل با عابران پیاده
• 45. یادگیری ناوبری در محیط های پیچیده
• 46. یادگیری تشخیص موانع
• 47. یادگیری پیش بینی رفتار سایر عامل ها
• 48. اصول اولیه یادگیری تقویتی چندعامله در وسایل نقلیه خودران
• 49. یادگیری همکاری بین وسایل نقلیه خودران
• 50. یادگیری رقابت بین وسایل نقلیه خودران
• 51. یادگیری هماهنگی در ترافیک
• 52. یادگیری برای کاروان های وسایل نقلیه خودران
• 53. یادگیری برای سیستم های حمل و نقل هوشمند
• 54. یادگیری برای مدیریت جریان ترافیک
• 55. یادگیری برای تخصیص منابع در ترافیک
• 56. یادگیری برای بهینه سازی مصرف سوخت
• 57. یادگیری برای کاهش تصادفات
• 58. یادگیری برای بهبود ایمنی
• 59. یادگیری برای افزایش کارایی
• 60. یادگیری برای ایجاد تجربه کاربری بهتر
• 61. الگوریتم های یادگیری تقویتی چندعامله
• 62. Q-learning چندعامله (MARL)
• 63. Deep Q-Network (DQN) برای MARL
• 64. Policy Gradient برای MARL
• 65. Actor-Critic برای MARL
• 66. Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
• 67. Counterfactual Multi-Agent Policy Gradients (COMA)
• 68. Trained Agent-Centric RL (TAC-RL)
• 69. Mean Field Reinforcement Learning
• 70. اتحاد و جدایی در MARL
• 71. تکنیک های هماهنگی در MARL
• 72. تکنیک های ارتباط در MARL
• 73. یادگیری مبتنی بر مدل در MARL
• 74. یادگیری بدون مدل در MARL
• 75. یادگیری تقویتی مشترک
• 76. یادگیری تقویتی تفکیک شده
• 77. یادگیری تقویتی متمرکز
• 78. یادگیری تقویتی توزیع شده
• 79. شبیه سازها و محیط های آزمایشی
• 80. شبیه سازهای رباتیک
• 81. شبیه سازهای وسایل نقلیه خودران (مانند CARLA, SUMO)
• 82. طراحی پاداش برای MARL در روباتیک و وسایل نقلیه خودران
• 83. چالش های عملیاتی
• 84. مقیاس پذیری
• 85. Robustness و Generalization
• 86. تفسیرپذیری (Explainability)
• 87. ایمنی و قابلیت اطمینان
• 88. تحقیقات آینده و روندهای نوظهور
• 89. ترکیب با یادگیری عمیق
• 90. یادگیری انتقالی (Transfer Learning)
• 91. یادگیری فدرال (Federated Learning)
• 92. یادگیری با نظارت کم (Few-shot Learning)
• 93. یادگیری تقویتی برای ربات های نرم
• 94. یادگیری تقویتی برای ربات های مشارکتی (Cobots)
• 95. یادگیری تقویتی برای سیستم های روباتیک توزیع شده
• 96. یادگیری تقویتی برای بهینه سازی زنجیره تامین با وسایل نقلیه خودران
• 97. یادگیری تقویتی برای ربات های تحویل دهنده
• 98. یادگیری تقویتی برای مدیریت ناوگان وسایل نقلیه خودران