Před dvěma týdny jsem měl plně autonomní RL poháněný let ~ a v určitém okamžiku se ztratil. Opravil jsem to. 4 opravdu, opravdu hrozné chyby, než to zase začalo fungovat. Opravdu děsivé. opravdu se chystal vrátit zpět Hardware + neuronové sítě jsou vlastně opravdu těžké

Šílené bylo, že to pořád fungovalo, myslím tu politiku. Když jsem mžoural, viděl jsem zkažené chování, které by nakonec vedlo k neúspěchu. kde hlavní příčinou byla hrozná, hrozná chyba (senzory vlevo a vpravo si vyměnily pozorování!)

Dřív jsem si říkal: možná jsem měl začít s RC auty místo RC multirotorů – ale jsem rád, že jsem si vybral multirotory. RC auta by byla příliš shovívavá a moje infrastruktura by nemusela být tak dobrá jako dnes

Musím si sednout a velmi, velmi pečlivě promyslet svůj komplexní test. Ideální scénář by byl test od začátku do konce, kdy mám fyzikální simulátor a trenažér běží, a více fyzických multirotorů by se automaticky vypustilo a testovalo v temné místnosti

Problém, se kterým se potýkám, je hlavně to, že se moje hardwarová infrastruktura mění velmi rychle. Každý týden mám nový multirotorový rám, nový řídicí software, nový firmware pro obousměrnou komunikaci, nové senzory...

Bolest

Vlastně je to plán pro QA. Raději ho postavíme dřív než později

@BigwetRealism u RL jsem byl překvapený; Naučí se strategie, jak shromažďovat informace o světě v jeho skrytém stavu, než ho zneužije. opravdu divoké

@BigwetRealism důvod, proč lidé nedělají RL, je ten, že jsou špatní. Nechtějí strávit 4 měsíce psaním simulací v CUDAs od nuly

@BigwetRealism upřímně jsem časově omezený. Mám tak málo času

@BigwetRealism je tolik vědeckých věcí, které chci vyzkoušet. Stačí jen vybudovat infrastrukturu, něco prodat a pak najmout lidi, kteří mi s tím pomohou

@BigwetRealism pro vás datový bod Můj největší problém je modelování fyziky Co by mi pomohlo víc než nové způsoby, jak se učit chování, jsou nové způsoby, jak se učit prostředí