Contattataci

Struttura del corso

Introduzione alla manipolazione robotica e al deep learning

  • Panoramica sui compiti di manipolazione e sui componenti del sistema
  • Approcci tradizionali rispetto a quelli basati sull’apprendimento
  • Applicazioni del deep learning in percezione, pianificazione e controllo

Percezione per la manipolazione

  • Rilevamento visivo e identificazione degli oggetti ai fini della presa
  • 3D vision, rilevamento della profondità ed elaborazione delle nuvole di punti
  • Addestramento di reti CNN per la localizzazione e segmentazione degli oggetti

Pianificazione della presa e rilevamento delle posture ideali

  • Algoritmi classici per la pianificazione della presa
  • Apprendimento automatico di posture di presa a partire da dati e simulazioni
  • Implementazione di reti per il rilevamento della presa (ad esempio GGCNN, Dex-Net)

Controllo e pianificazione del movimento

  • Cinematica inversa e generazione di traiettorie
  • Pianificazione del movimento basata sull’apprendimento e apprendimento per imitazione
  • Apprendimento per rafforzamento applicato alle politiche di controllo della manipolazione

Integrazione con ROS 2 e ambienti di simulazione

  • Configurazione dei nodi ROS 2 per percezione e controllo
  • Simulazione di bracci robotici in Gazebo e Isaac Sim
  • Integrazione delle reti neurali nel controllo in tempo reale

Apprendimento end-to-end per la manipolazione

  • Unificazione di percezione, politiche decisionali e controllo in reti neurali integrate
  • Utilizzo di dati derivanti da dimostrazioni per l’apprendimento supervisionato delle politiche
  • Adattamento del modello tra ambienti simulati e hardware reale

Valutazione e ottimizzazione dei sistemi

  • Metriche di successo, stabilità e precisione nella presa
  • Test condotti in diverse condizioni e di fronte a disturbi variabili
  • Compressione dei modelli e implementazione su dispositivi embedded

Progetto pratico: manipolazione robotica mediante deep learning

  • Progettazione di un flusso completo percezione-azione
  • Addestramento e verifica di un modello per il rilevamento della presa
  • Integrazione del modello in un braccio robotico simulato

Conclusioni e prospettive future

Requisiti

  • Solida conoscenza della cinematica e dinamica dei robot
  • Esperienza nella programmazione in Python e nell’utilizzo di framework di deep learning
  • Familiarità con ROS o altri middleware robotici simili

Destinatari

  • Ingegneri robotici che sviluppano sistemi di manipolazione intelligenti
  • Specialisti della percezione e del controllo impegnati nello sviluppo di applicazioni per la presa
  • Ricercatori ed esperti avanzati nel campo dell’apprendimento robotico e del controllo basato sull’intelligenza artificiale
 28 ore

Numero di Partecipanti


Prezzo per partecipante

Recensioni (2)

Corsi in Arrivo

Categorie relative