Das Forschungsfeld des Deep Reinforcement Learnings (DRL) hat sich in den letzten Jahren als sehr leistungsfähige Methodik gezeigt, um Agenten in simulierten Umgebungen erfolgreich zu trainieren. Unter anderem konnte mit Hilfe von einem mit DRL trainierten Algorithmus den Weltmeister vom Spiel „Go“ besiegt werden. [1]
Nichtsdestotrotz ist die Anwendung von DRL in der echten Welt noch voll mit Herausforderungen und deutlich leistungsschwächer als in simulierten Umgebungen. [2]
Im Rahmen des Projektes „Phoenix“, entwickeln wir eine Pipeline, um eine Drohne mit DRL zu steuern und die obengenannten Herausforderungen zu überwinden.
Präziser, geht es in dieser Arbeit darum, mit Echtweltdaten eine in Simulation vortrainierte Drohne den Abflug beizubringen.
Ihr Profil:
-
Gute Kenntnisse in Python und Tensorflow/Pytorch
-
Gute Kenntnisse von ML-Methoden
-
Erfahrung mit Deep Reinforcement Learning
-
Bereitschaft, ins Labor zu kommen
-
Keine Angst vor Herausforderungen
-
Engagement, Selbständigkeit und Gute Laune
Bei Interesse wenden Sie sich bitte bis zum 15.03.2022 an Luca Sacchetto
[1] Mnih, Volodymyr, et al. "Playing atari with deep reinforcement learning." arXiv preprint arXiv:1312.5602 (2013).
[2] Dulac-Arnold, Gabriel, Daniel Mankowitz, and Todd Hester. "Challenges of real-world reinforcement learning." arXiv preprint arXiv:1904.12901 (2019).