Réponse rapide
La rétropropagation calcule comment une erreur de sortie dépend des poids d’un réseau, puis utilise ces gradients pour les ajuster et réduire progressivement la perte sur des exemples robotique.
Propager l’erreur en arrière
La sortie est comparée à une cible et la règle de chaîne traverse les couches. Chaque poids reçoit un gradient lié à son influence sur l’erreur.
Modifier les paramètres
Taux d’apprentissage, lot, régularisation et optimiseur déterminent l’amplitude des mises à jour. Données, unités et cibles doivent rester cohérentes.
Relier apprentissage et usage
Le modèle apprend perception, estimation ou commande sur des données représentatives. Validation hors ligne et contrôleur borné précèdent toute action réelle.
Sources et références
- [1] Robotics and Autonomous Systems — NIST