Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan Szkolenia
Tydzień 01
Wprowadzenie
- Co sprawia, że robot jest inteligentny?
Roboty fizyczne i wirtualne
- Smart Robots, inteligentne maszyny, czujące maszyny i Robotic Process Automation (RPA) itp.
Rola Artificial Intelligence (AI) w Robotics
- Poza "if-then-else" i maszyną uczącą się
- Algorytmy stojące za sztuczną inteligencją
- Uczenie maszynowe, wizja komputerowa, przetwarzanie języka naturalnego (NLP) itp.
- Robotyka kognitywna
Rola Big Data w Robotics
- Podejmowanie decyzji na podstawie danych i wzorców
Chmura i Robotics
- Łączenie robotyki z IT
- Budowanie bardziej funkcjonalnych robotów, które mają dostęp do większej ilości informacji i współpracują ze sobą
Studium przypadku: Roboty przemysłowe
- Roboty mechaniczne
- Baxter
- Roboty w obiektach jądrowych
- Wykrywanie i ochrona przed promieniowaniem
- Roboty w obiektach jądrowych React
- Wykrywanie i ochrona przed promieniowaniem
Elementy sprzętowe robota
- Silniki, czujniki, mikrokontrolery, kamery itp.
Wspólne Element roboty
- Widzenie maszynowe, rozpoznawanie głosu, synteza mowy, wykrywanie bliskości, wykrywanie nacisku itp.
Ramy programistyczne dla Programming robotów
- Otwarte i komercyjne platformy
- System operacyjny robota (ROS)
- Architektura: obszar roboczy, tematy, wiadomości, usługi, węzły, biblioteki akcji, narzędzia itp.
Languages dla Programming robota
- C++ dla kontroli niskiego poziomu
- Python dla orkiestracji
- Programming ROS węzły w Python i C ++
- Inne języki
Narzędzia do symulacji robota fizycznego
- Komercyjne i otwarte oprogramowanie do symulacji i wizualizacji 3D
Tydzień 02
Przygotowanie środowiska programistycznego
- Instalacja i konfiguracja oprogramowania
- Przydatne pakiety i narzędzia
Studium przypadku: Roboty mechaniczne
- Roboty w dziedzinie technologii jądrowej
- Roboty w systemach ochrony środowiska
Programming Robot
- Programming węzeł w Python i C ++
- Zrozumienie węzła ROS
- Wiadomości i tematy w ROS
- Paradygmat publikacji / subskrypcji
- Projekt: Bump & Go z prawdziwym robotem
- Rozwiązywanie problemów
- Symulacja robotów z Gazebo / ROS
- Ramki w ROS i zmiany odniesienia
- Przetwarzanie informacji 2D z kamer z OpenCV
- Przetwarzanie informacji z lasera
- Projekt: Bezpieczne śledzenie obiektów na podstawie koloru
- Rozwiązywanie problemów
Tydzień 03
Programming Robot (ciąg dalszy...)
- Usługi w ROS
- Przetwarzanie informacji 3D z czujników RGB-D za pomocą PCL
- Mapy i nawigacja z ROS
- Projekt: Wyszukiwanie obiektów w otoczeniu
- Rozwiązywanie problemów
Programming Robot (ciąg dalszy...)
- ActionLib
- Speech Recognition i generowanie mowy
- Sterowanie ramionami robota za pomocą MoveIt!
- Sterowanie szyją robota dla aktywnego widzenia
- Projekt: Wyszukiwanie i zbieranie obiektów
- Rozwiązywanie problemów
Testowanie robota
- Testowanie jednostkowe
Tydzień 04
Rozszerzanie możliwości robota za pomocą Deep Learning
- Percepcja - wizja, dźwięk i haptyka
- Reprezentacja wiedzy
- Rozpoznawanie głosu poprzez NLP (przetwarzanie języka naturalnego)
- Wizja komputerowa
Przyspieszony kurs Deep Learning
- Sztuczne Neural Networks (ANN)
- Sztuczne Neural Networks vs. Biologiczne Neural Networks
- Feedforward Neural Networks
- Funkcje aktywacji
- Trening sztucznych Neural Networks
Przyspieszony kurs Deep Learning (ciąg dalszy...)
- Modele Deep Learning
- Sieci konwolucyjne i sieci rekurencyjne
- Sieci konwolucyjne Neural Networks (CNN lub ConvNets)
- Warstwa konwolucyjna
- Warstwa łączenia
- Architektura sieci konwolucyjnych Neural Networks
Tydzień 05
Przyspieszony kurs Deep Learning (ciąg dalszy...)
- Rekurencyjna Neural Networks (RNN)
- Trenowanie sieci RNN
- Stabilizacja gradientów podczas treningu
- Sieci z długą pamięcią krótkotrwałą
- Platformy i biblioteki oprogramowania Deep Learning
- Deep Learning w ROS
Korzystanie z Big Data w robocie
- Koncepcje dużych zbiorów danych
- Podejścia do analizy danych
- Narzędzia Big Data
- Rozpoznawanie wzorców w danych
- Ćwiczenie: NLP i Computer Vision na dużych zbiorach danych
Używanie Big Data w robocie (ciąg dalszy...)
- Rozproszone przetwarzanie dużych zbiorów danych
- Współistnienie i wzajemne inspirowanie się Big Data i Robotics
- Robot jako generator danych
- Czujniki pomiaru zasięgu, położenia, czujniki wizualne, dotykowe i inne modalności
- Nadawanie sensu danym sensorycznym (pętla sens-plan-działanie)
- Ćwiczenie: Przechwytywanie danych strumieniowych
Programming Autonomiczny Deep Learning robot
- Komponenty robota Deep Learning
- Konfiguracja symulatora robota
- Uruchamianie sieci neuronowej z akceleracją CUDA za pomocą Cafe
- Rozwiązywanie problemów
Tydzień 06
Programming Autonomiczny Deep Learning robot (ciąg dalszy...)
- Rozpoznawanie obiektów na zdjęciach lub strumieniach wideo
- Udostępnianie wizji komputerowej za pomocą OpenCV
- Rozwiązywanie problemów
Analiza danych
- Wykorzystanie robota do gromadzenia i organizowania nowych danych
- Narzędzia i procesy nadające sens danym
Wdrażanie robota
- Przejście z symulowanego robota na sprzęt fizyczny
- Wdrażanie robota w świecie fizycznym
- Monitorowanie i serwisowanie robotów w terenie
Zabezpieczanie robota
- Zapobieganie nieautoryzowanym manipulacjom
- Zapobieganie przeglądaniu i kradzieży poufnych danych przez hakerów
Budowanie robota we współpracy
- Budowanie robota w chmurze
- Dołączanie do społeczności robotyków
Przyszłość Outlook dla robotów w dziedzinie nauki i energii
Podsumowanie i wnioski
Wymagania
- Programming doświadczenie w C lub C++
- Programming doświadczenie w Python (przydatne, ale niekonieczne; może być nauczane w ramach kursu)
- Doświadczenie z Linux wierszem poleceń
Publiczność
- Deweloperzy
- Inżynierowie
- Naukowcy
- Technicy
120 godzin
Opinie uczestników (1)
I feel I get the core skills I need to understand how the ROS fits together, and how to structure projects in it.
