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
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