Corso di formazione Autonomous Navigation & SLAM with ROS 2

La robotica è un settore dell'intelligenza artificiale (AI) che si occupa della programmazione e del progetto di macchine intelligenti ed efficienti.

Questo training guidato dall'instruttore, live (online o in loco), è rivolto agli ingegneri che desiderano programmare e creare robot attraverso metodi AI di base.

Al termine di questo training, i partecipanti saranno in grado di:

• Implementare filtri (Kalman e particelle) per consentire al robot di individuare oggetti in movimento nell'ambiente.
• Implementare algoritmi di ricerca e pianificazione del movimento.
• Implementare controlli PID per regolare il movimento del robot all'interno dell'ambiente.
• Implementare algoritmi SLAM per consentire al robot di mappare un ambiente sconosciuto.

Formato del Corso

• Lezione interattiva e discussione.
• Molti esercizi e pratica.
• Implementazione pratica in un ambiente di laboratorio live.

Opzioni di Personalizzazione del Corso

• Per richiedere una formazione personalizzata per questo corso, contattateci per organizzare.

In questo corso guidato dal formatore (online o sul posto), i partecipanti impareranno le diverse tecnologie, framework e tecniche per programmare diversi tipi di robot da utilizzare nel campo della tecnologia nucleare e dei sistemi ambientali.

Il corso durante 6 settimane si svolge dal lunedì al venerdì. Ogni giorno dura 4 ore ed è composto da lezioni, discussioni e sviluppo di robot in un ambiente di laboratorio live. I partecipanti completeranno vari progetti reali applicabili al loro lavoro per praticare la conoscenza acquisita.

Il hardware obiettivo del corso sarà simulato in 3D attraverso software di simulazione. Si utilizzerà il framework open-source ROS (Robot Operating System), C++ e Python per programmare i robot.

Al termine di questo addestramento, i partecipanti saranno in grado di:

• Comprendere i concetti chiave utilizzati nelle tecnologie robotiche.
• Comprendere e gestire l'interazione tra software e hardware in un sistema robotico.
• Comprendere ed implementare i componenti software che sottostanno alla robotica.
• Costruire e operare un robot meccanico simulato che possa vedere, percepire, elaborare, navigare e interagire con gli esseri umani attraverso la voce.
• Comprendere gli elementi necessari dell'intelligenza artificiale (apprendimento automatico, apprendimento profondo, ecc.) applicabili alla costruzione di un robot intelligente.
• Implementare filtri (Kalman e Particle) per consentire al robot di localizzare oggetti in movimento nel suo ambiente.
• Implementare algoritmi di ricerca e pianificazione del movimento.
• Implementare controlli PID per regolare il movimento di un robot all'interno di un ambiente.
• Implementare algoritmi SLAM (Simultaneous Localization And Mapping) per consentire a un robot di mappare un ambiente sconosciuto.
• Estendere le capacità del robot di eseguire compiti complessi attraverso l'apprendimento profondo.
• Testare e risolvere i problemi di un robot in scenari realistici.

In questo corso interattivo guidato dall'insegnante (online o sul posto), i partecipanti impareranno le diverse tecnologie, framework e tecniche per programmare diversi tipi di robot da utilizzare nel campo della tecnologia nucleare e dei sistemi ambientali.

Il corso di 4 settimane si svolge 5 giorni a settimana. Ogni giorno dura 4 ore ed è composto da lezioni, discussioni e sviluppo robotico pratico in un ambiente di laboratorio live. I partecipanti completano vari progetti del mondo reale applicabili al loro lavoro per mettere in pratica la conoscenza acquisita.

L'hardware target sarà simulato in 3D tramite software di simulazione. Il codice verrà poi caricato su hardware fisico (Arduino o altro) per le prove finali di deploy. Si useranno il framework open-source ROS (Robot Operating System), C++ e Python per programmare i robot.

Al termine di questo training, i partecipanti saranno in grado di:

• Comprendere i concetti chiave utilizzati nelle tecnologie robotiche.
• Comprendere e gestire l'interazione tra software e hardware in un sistema robotico.
• Comprendere ed implementare i componenti software che sostengono la robotica.
• Costruire ed operare un robot meccanico simulato capace di vedere, percepire, elaborare, navigare e interagire con gli esseri umani attraverso il linguaggio vocale.
• Comprendere gli elementi necessari dell'intelligenza artificiale (machine learning, deep learning, ecc.) applicabili alla costruzione di un robot intelligente.
• Implementare filtri (Kalman e Particle) per consentire al robot di localizzare oggetti in movimento nel suo ambiente.
• Implementare algoritmi di ricerca e pianificazione del movimento.
• Implementare i controlli PID per regolare il movimento di un robot all'interno di un ambiente.
• Implementare gli algoritmi SLAM per consentire a un robot di mappare un ambiente sconosciuto.
• Testare e risolvere problemi di un robot in scenari realistici.

OpenCV is an open-source computer vision library that enables real-time image processing, while deep learning frameworks such as TensorFlow provide the tools for intelligent perception and decision-making in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers, computer vision practitioners, and machine learning engineers who wish to apply computer vision and deep learning techniques for robotic perception and autonomy.

By the end of this training, participants will be able to:

• Implement computer vision pipelines using OpenCV.
• Integrate deep learning models for object detection and recognition.
• Use vision-based data for robotic control and navigation.
• Combine classical vision algorithms with deep neural networks.
• Deploy computer vision systems on embedded and robotic platforms.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using OpenCV and TensorFlow.
• Live-lab implementation on simulated or physical robotic systems.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Edge AI enables artificial intelligence models to run directly on embedded or resource-constrained devices, reducing latency and power consumption while increasing autonomy and privacy in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level embedded developers and robotics engineers who wish to implement machine learning inference and optimization techniques directly on robotic hardware using TinyML and edge AI frameworks.

By the end of this training, participants will be able to:

• Understand the fundamentals of TinyML and edge AI for robotics.
• Convert and deploy AI models for on-device inference.
• Optimize models for speed, size, and energy efficiency.
• Integrate edge AI systems into robotic control architectures.
• Evaluate performance and accuracy in real-world scenarios.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using TinyML and edge AI toolchains.
• Practical exercises on embedded and robotic hardware platforms.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Reinforcement learning (RL) is a machine learning paradigm where agents learn to make decisions by interacting with an environment. In robotics, RL enables autonomous systems to develop adaptive control and decision-making capabilities through experience and feedback.

This instructor-led, live training (online or onsite) is aimed at advanced-level machine learning engineers, robotics researchers, and developers who wish to design, implement, and deploy reinforcement learning algorithms in robotic applications.

By the end of this training, participants will be able to:

• Understand the principles and mathematics of reinforcement learning.
• Implement RL algorithms such as Q-learning, DDPG, and PPO.
• Integrate RL with robotic simulation environments using OpenAI Gym and ROS 2.
• Train robots to perform complex tasks autonomously through trial and error.
• Optimize training performance using deep learning frameworks like PyTorch.

Format of the Course

• Interactive lecture and discussion.
• Hands-on implementation using Python, PyTorch, and OpenAI Gym.
• Practical exercises in simulated or physical robotic environments.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.