Bądźmy w kontakcie

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

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (3)

Propozycje terminów

Powiązane Kategorie