Träningssimuleringar för Bonsai

Träningssimuleringar replikerar verkliga system för att tillhandahålla en äkta träningsmiljö Bonsai för hjärnan. Du kan lägga till simuleringar från populära programvarulösningar för simulatorer eller använda simulator-API:et för att integrera anpassade simulatorer.

Bonsai component infographic" aria-describedby="34-0" data-linktype="relative-path">

Träningssimuleringar modellerar verkliga processer och ändrar tillstånd när hjärnan tillämpar åtgärder. Robotteknik, industriell automatisering, logistik i leveranskedjan och strukturell teknik är alla domäner som använder simuleringar för att modellera beteendet hos komplexa system.

Bonsaianvänder simuleringar och DEEP Reinforcement Learning (DRL) för att träna hjärnan. Träningsuppgifterna kan vara så enkla som att "hålla den här polpolen vidskeplig" eller så komplex som "lär dig att gå".

I allmänhet kan alla simuleringar som har ett definierat starttillstånd itererar över tid och svarar på externa åtgärder integreras med Bonsai . Men simuleringar som fungerar bra Bonsai med har följande egenskaper:

• En lämplig nivå av återgivning så att strategier som utvecklats mot simuleringen sannolikt fungerar bra i den verkliga världen.
• Användbar visualisering och datautdata som kontrolleras av hjärnan för utvärdering i realtid under träningen.
• Ett väldefinierat miljötillstånd som är tillgängligt i varje steg i simuleringen.
• Ett anpassningsbart starttillstånd så att hjärnan kan lära sig av en mängd olika villkor.
• En uppsättning diskreta åtgärder som hjärnan kan vidta för att påverka tillståndet. Till exempel: flytta en kundvagn ett steg på ett spår, justera en temperatur med 1 ° Celsius.
• Möjligheten att avgöra när systemet hamnar i ett tillstånd där ytterligare förlopp är omöjligt (ett fel eller ogiltigt tillstånd). Till exempel: kundvagnen körs utanför spåret, den aktuella temperaturen överskrider ett kvalitetströskelvärde.
• Möjligheten att avgöra när systemet når ett lyckat tillstånd. Till exempel klarar ett polsaldo under en viss tid det genererade materialet QC-kraven.

Att fastställa rätt nivå av återgivning för en simulering beror på:

• den precision som krävs för enskilda åtgärder.
• sannolikheten att AI kan återställas från en felaktig åtgärd i den verkliga världen.

AI kan till exempel kompensera för en oväntat bred tur som orsakas av att en verklig bil blir 1 km snabbare än den simulerade bilen som AI tränade med. Men om samma bil regelbundet blir 10 km snabbare än den simulerade bilen kan bilen vändas eller köras av vägen.

När du överväger din simuleringsmetod kan det vara bra att leta efter personer i din organisation som har arbetat med simuleringsprogramvara tidigare. Simuleringar som ursprungligen skapades för andra ändamål kan ofta förbättras så att de fungerar med Bonsai träningsmotorn. Leta efter befintliga simuleringar med en eller flera av följande egenskaper:

• Simuleringar som används för att träna mänskliga operatörer.
• Simuleringar som regelbundet används tillsammans med produktionssystem.
• Simuleringar med väldefinierade prestandamått för noggrannhet och önskade resultat.

Lär dig mer om →