Contattataci

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

Numero di Partecipanti


Prezzo per partecipante

Recensioni (2)

Corsi in Arrivo

Categorie relative