Обучение с подкреплением в Houdini | Юто Икеда | HIVEalt

Введение в интеграцию обучения с подкреплением (RL) в Houdini с использованием библиотеки PyTorch. Начиная с моей дипломной работы, в которой я исследовал концепцию инструмента RL в архитектурном проектировании, презентация затем демонстрирует более общие применения RL в Houdini, в частности, симуляции с автопилотированием. Будут рассмотрены начальная подготовка и настройка интеграции, процесс обучения и вывода, а также демонстрация результатов. Юто Икеда — ассистент архитектора в Foster + Partners и недавний выпускник магистратуры архитектуры Школы архитектуры Бартлетта при Университетском колледже Лондона (UCL). Его курсовая работа и дипломная работа были посвящены пересечению машинного обучения и вычислительного проектирования с Houdini в спекулятивном архитектурном проектировании. Он также является увлеченным энтузиастом Houdini, который использует это программное обеспечение не только для визуальных эффектов, но и как целостный инструмент проектирования. 00:00 Введение и обзор докладчика 00:51 Предыстория и работа над вычислительным проектированием 01:43 Цель диссертации: Houdini как среда обучения с подкреплением 02:19 Объяснение 3 типов машинного обучения 04:26 Создание цикла действий Houdini-PyTorch 06:03 Первое доказательство концепции: обучение на 2D-сетке 07:48 Архитектурное применение: оптимизация солнечной энергии 09:23 Настройка беспилотного гоночного автомобиля в Houdini 10:56 Добавление динамики автомобиля, газа и торможения 12:04 Ускорение обучения с помощью безголового Houdini 13:48 Демонстрация ИИ-водителя на трассах 15:06 Вывод данных, физика и будущие приложения 16:16 Благодарности и ссылки #HIVEalt #Houdini #SideFX #ReinforcementLearning #PyTorch #МашинноеОбучение #ВычислительныйПроектирование #Архитектура #АвтономноеВождение #ИскусственныйИнтеллект