lernfähiger Lininenfolger mit KI

[HaWe]

Echzeitlernen auf Minimalprozessoren wäre das Ziel.

das lässt sich evtl auch auf einem AVR Arduino (z.B. einem MEGA2560) machen, dann hat man etwas mehr RAM in Reserve. Bei KI würde ich persönlich aber nicht unter einem M0 anfangen, am besten mit fpu (M4, ESP32).
Der Arduino-API Code wäre dann aber auch glücklicherweise für alle MCUs der gleiche.

[stochri]

Aber klar, den Sinn verstehe ich. Gerade hatte ich überlegt, ob ich selber mal anfangen sollte, das Thema aufzubauen, so, dass jeder was davon hat und mitmachen kann, egal, in welcher Programmiersprache er schreibt.

Anfangen ist immer gut, man lernt bestimmt was dabei. Als Controller eignet sich etwas "Arduino-artiges", das hat jeder zu Hause.

Bei KI würde ich persönlich aber nicht unter einem M0 anfangen, am besten mit fpu (M4, ESP32).

Die Frage wäre, ob ein ESP für die Erforschung der grundlegenden Prinzipien nicht schon etwas überdimensioniert wäre.
Eventuell reichen schon zwei Neuronen. Wobei das entstehende System dann wohl eher einem klassischen Regler entspricht.

[HaWe]

Die Frage wäre, ob ein ESP für die Erforschung der grundlegenden Prinzipien nicht schon etwas überdimensioniert wäre.
Eventuell reichen schon zwei Neuronen. Wobei das entstehende System dann wohl eher einem klassischen Regler entspricht.

klar, klein anfangen kann man immer, und MCU-mäßig aufstocken, wenn es dann doch komplizierter wird (Verhalten bei Sackgassen, Kreuzungen, starken wechselnden Kurven, Ecken, spitzen Winkeln,...)
Hier wird man auch schnell in den Bereich der XOR-Situationen kommen, die bereits mehrschichtige Netze mit rechenintensiver float-Arithmetik auch für Exponentialfunktionen erfordern.
Aber wie gesagt, bei Arduino Code ist das ja egal - was auf kleinen MCUs läuft, läuft auch auf großen (ntl keine spez. Register-Befehle verwenden!), und ein ESP32 ist nicht überdimensioniert, wenn man einen besitzt - er ist dann höchstens nicht ausgelastet (aber ausbaufähig).

- - - Aktualisiert - - -

PS,
Vergiss auch nicht, dass die Outputs von Perzeptronen auf Boolean Werte trainiert werden, d.h. für 2 Motoren mit je 3 Steuerwerten (vor, rück, stop) braucht man bereits 3-4 Output- Neuronen, bei (notwendiger) abgestufter pwm-Steuerung sogar deutlich mehr, und bei 2-schichtigen Netzen dann davon jeweils (mindestens) das doppelte.