Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Plan Szkolenia
Wprowadzenie do manipulacji robotycznej i głębokiego uczenia
- Przegląd zadań manipulacyjnych i komponentów systemu
- Podejścia tradycyjne vs. oparte na uczeniu
- Głębokie uczenie w percepcji, planowaniu i sterowaniu
Percepcja do manipulacji
- Czujniki wizualne i detekcja obiektów do chwytania
- Widzenie 3D, czujniki głębi i przetwarzanie chmur punktów
- Trenowanie CNN do lokalizacji i segmentacji obiektów
Planowanie i detekcja chwytów
- Klasyczne algorytmy planowania chwytów
- Uczenie pozycji chwytów z danych i symulacji
- Implementacja sieci do detekcji chwytów (np. GGCNN, Dex-Net)
Sterowanie i planowanie ruchu
- Odwrócona kinematyka i generowanie trajektorii
- Planowanie ruchu oparte na uczeniu i uczenie z naśladowania (imitation learning)
- Uczenie z wzmocnieniem do sterowania strategiami (policies) manipulacji
Integracja z ROS 2 i środowiskami symulacji
- Konfiguracja węzłów ROS 2 do percepcji i sterowania
- Symulacja manipulatorów robotycznych w Gazebo i Isaac Sim
- Integracja modeli neuronowych do sterowania w czasie rzeczywistym
Uczenie od początku do końca (end-to-end) do manipulacji
- Łączenie percepcji, strategii (policy) i sterowania w zunifikowanych sieciach
- Wykorzystanie danych z demonstracji do nadzorowanego uczenia strategii
- Adaptacja domen między symulacją a sprzętem rzeczywistym
Ewaluacja i optymalizacja
- Metryki sukcesu chwytu, stabilności i precyzji
- Testowanie w zróżnicowanych warunkach i z zakłóceniami
- Kompresja modeli i wdrażanie na urządzeniach brzegowych (edge devices)
Projekt praktyczny: Chwytanie robotyczne oparte na głębokim uczeniu
- Projektowanie potoku od percepcji do działania (perception-to-action pipeline)
- Trenowanie i testowanie modelu do detekcji chwytów
- Integracja modelu w symulowane ramię robotyczne
Wymagania
- Solidne zrozumienie kinematyki i dynamiki robotyki
- Doświadczenie w programowaniu w Pythonie i z frameworkami do głębokiego uczenia
- Znajomość ROS lub podobnego oprogramowania pośredniczącego (middleware) do robotyki
Grupa docelowa
- Inżynierowie robotyki rozwijający inteligentne systemy manipulacyjne
- Specjaliści ds. percepcji i sterowania pracujący nad aplikacjami chwytającymi
- Badacze i zaawansowani praktycy w dziedzinie uczenia robotów i sterowania opartego na AI
28 godzin
Opinie uczestników (3)
Dostarczenie materiałów (maszyna wirtualna) umożliwiających natychmiastowe rozpoczęcie ćwiczeń oraz wyjaśnienie podstaw Ros2. Dlaczego rzeczy działają w określony sposób.
Arjan Bakema
Szkolenie - Autonomous Navigation & SLAM with ROS 2
Przetłumaczone przez sztuczną inteligencję
Dobrze omówione przez trenera przykłady ćwiczeń
Mariusz - Politechnika Opolska
Szkolenie - Artificial Intelligence (AI) for Mechatronics
znajomość i wykorzystanie sztucznej inteligencji dla robotyki w przyszłości.
Ryle - PHILIPPINE MILITARY ACADEMY
Szkolenie - Artificial Intelligence (AI) for Robotics
Przetłumaczone przez sztuczną inteligencję