Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere în manipularea robotică și deep learning
- Prezentare a sarcinilor de manipulare și componentelor sistemului
- Abordări tradiționale vs. bazate pe învățare
- Deep learning în percepție, planificare și control
Percepție pentru manipulare
- Simțire vizuală și detecție a obiectelor pentru apucare
- Viziune 3D, senzorizare de adâncime și procesarea norilor de puncte
- Învățarea CNN-urilor pentru localizarea și segmentarea obiectelor
Planificarea și detectarea apucării
- Algoritmi clasici de planificare a apucării
- Învățarea pozițiilor de apucare din date și simulări
- Implementarea rețelelor de detecție a apucării (de ex., GGCNN, Dex-Net)
Control și planificare a mișcării
- Cinematica inversă și generarea traiectoriilor
- Planificare a mișcării bazată pe învățare și imitation learning
- Reinforcement learning pentru politici de control ale manipulării
Integrare cu ROS 2 și medii de simulare
- Configurarea nodurilor ROS 2 pentru percepție și control
- Simularea manipulatorilor robotici în Gazebo și Isaac Sim
- Integrarea modelelor neuronale pentru control în timp real
Învățare end-to-end pentru manipulare
- Combinarea percepției, politicii și controlului în rețele unificate
- Folosirea datelor de demonstrație pentru învățarea politicilor supervizate
- Adaptarea de domeniu între simulare și hardware real
Evaluare și optimizare
- Metrici pentru succesul, stabilitatea și precizia apucării
- Testarea în condiții variabile și în prezența perturbărilor
- Comprimarea modelului și implementarea pe dispozitive edge
Proiect practic: Apucare robotică bazată pe deep learning
- Proiectarea unui pipeline de la percepție la acțiune
- Învățarea și testarea unui model de detecție a apucării
- Integrarea modelului într-un braț robotic simulat
Cerințe
- Înțelegere solidă a cinematicii și dinamicii robotice
- Experiență cu Python și framework-uri de deep learning
- Familiaritate cu ROS sau middleware similară pentru robotică
Public țintă
- Ingineri în robotică care dezvoltă sisteme de manipulare inteligente
- Specialiști în percepție și control care lucrează la aplicații de apucare
- Cercetători și practicieni avansați în învățarea robotică și controlul bazat pe AI
28 Ore
Mărturii (2)
Furnizarea materialelor (mașină virtuală) pentru a intra direct în exerciții și explicarea nucleului Ros2. De ce lucrurile funcționează într-un anumit mod.
Arjan Bakema
Curs - Autonomous Navigation & SLAM with ROS 2
Tradus de catre o masina
cunoașterea și utilizarea IA pentru Robotica în Viitor.
Ryle - PHILIPPINE MILITARY ACADEMY
Curs - Artificial Intelligence (AI) for Robotics
Tradus de catre o masina
