Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione alla manipolazione robotica e al Deep Learning
- Panoramica dei task di manipolazione e dei componenti del sistema
- Approcci tradizionali vs. approcci basati sull'apprendimento
- Deep Learning nella percezione, nella pianificazione e nel controllo
Percezione per la manipolazione
- Sensorying visivo e rilevamento degli oggetti per la presa
- Visione 3D, sensing della profondità e elaborazione delle point cloud
- Addestramento di CNN per la localizzazione e la segmentazione degli oggetti
Pianificazione e rilevamento della presa
- Algoritmi classici di pianificazione della presa
- Apprendimento delle pose di presa da dati e simulazione
- Implementazione di reti per il rilevamento della presa (es. GGCNN, Dex-Net)
Controllo e pianificazione del movimento
- Cinematica inversa e generazione di traiettorie
- Pianificazione del movimento basata sull'apprendimento e imitazione learning
- Reinforcement learning per le policy di controllo della manipolazione
Integrazione con ROS 2 e ambienti di simulazione
- Configurazione dei nodi ROS 2 per la percezione e il controllo
- Simulazione di manipolatori robotici in Gazebo e Isaac Sim
- Integrazione di modelli neurali per il controllo in tempo reale
Apprendimento end-to-end per la manipolazione
- Combinazione di percezione, policy e controllo in reti unificate
- Utilizzo di dati dimostrativi per l'apprendimento supervisionato delle policy
- Adattamento di dominio tra simulazione e hardware reale
Valutazione e ottimizzazione
- Metriche per il successo della presa, la stabilità e la precisione
- Test in condizioni variabili e in presenza di disturbi
- Compressione del modello e implementazione su dispositivi edge
Progetto pratico: Presa robotica basata su Deep Learning
- Progettazione di un pipeline percezione-azione
- Addestramento e test di un modello di rilevamento della presa
- Integrazione del modello in un braccio robotico simulato
Requisiti
- Solida comprensione della cinematica e della dinamica robotica
- Esperienza con Python e framework di deep learning
- Familiarità con ROS o middleware robotici simili
Target
- Ingegneri robotici che sviluppano sistemi di manipolazione intelligente
- Specialisti in percezione e controllo che lavorano su applicazioni di presa
- Ricercatori e professionisti avanzati nel robot learning e nel controllo basato su IA
28 ore
Recensioni (2)
Fornitura dei materiali (macchina virtuale) per iniziare immediatamente gli esercizi e spiegazione del nucleo di ROS2. Il motivo per cui le cose funzionano in un determinato modo.
Arjan Bakema
Corso - Autonomous Navigation & SLAM with ROS 2
Traduzione automatica
le sue conoscenze e l'utilizzo dell'IA per la Robotica nel Futuro.
Ryle - PHILIPPINE MILITARY ACADEMY
Corso - Artificial Intelligence (AI) for Robotics
Traduzione automatica