Computer Vision for Robotics: Perception with OpenCV & Deep Learning Κομμάτι εκπαίδευσης

Η Τεχνητή Νοημοσύνη (AI) για Ρομπότ συνδυάζει μηχανική μάθηση, ελεγκτικά συστήματα και χρησιμοποίηση αισθητήρων για τη δημιουργία έξυπνων μηχανών που είναι σε θέση να αντιλαμβάνονται, λογοκρίνουν και δραστηριοποιούνται αυτόνομα. Μέσω σύγχρονων εργαλείων όπως το ROS 2, το TensorFlow και το OpenCV, οι μηχανικοί διαθέτουν τώρα τη δυνατότητα να σχεδιάζουν ρομπότ που εξερευνούν, σχεδιάζουν και αλληλεπίδρα βίαια με πραγματικές περιβάλλοντα σε έξυπνο τρόπο.

Αυτή η διδασκαλία υπό την καθοδήγηση εκπαιδευτών, που μπορεί να γίνει online ή onsite, απευθύνεται σε εμπειρογνώμονες μηχανικούς των διαδόχων βαθμών που επιθυμούν να αναπτύξουν, να κατευθύνουν και να υλοποιήσουν συστήματα ρομπότ βασισμένα σε ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ (ΑΙ) με τη χρήση καινούργιων ελεύθερων τεχνολογιών και πλατφόρμων.

Τέλος αυτής της διδασκαλίας, οι συμμετέχοντες θα μπορούν να:

• Χρησιμοποιήσουν το Python και το ROS 2 για τη δημιουργία και προσομοίωση ρομποτικών συμπεριφορών.
• Υλοποιήσουν τα φίλτρα Kalman και Particle για τον καθορισμό θέσης (localization) και παρακολούθηση.
• Εφαρμένουν τεχνικές υπολογιστικής εξομαλυντικής (computer vision) με χρήση OpenCV για την ανίχνευση και ανάγνωριση αντικειμένων.
• Χρησιμοποιήσουν το TensorFlow για την πρόβλεψη κίνησης και μάθηση-βασισμένο ελεγκτικό.
• Ολοκληρώσουν SLAM (Simultaneous Localization and Mapping) για αυτόνομη πλάνωση κίνησης.
• Αναπτύξουν μοντέλα ενδυναμωμένης μάθησης (reinforcement learning) για τη βελτίωση της ρομποτικής λήψης αποφάσεων.

Μορφή του Μαθήματος

• Ελεγχόμενη παράσταση και συζήτηση.
• Χειροκίνητη υλοποίηση με τη χρήση ROS 2 και Python.
• Πρακτικά εξασκήματα σε προσομοιωμένα και πραγματικά ρομποτικά περιβάλλοντα.

Εξατομικευμένες Επιλογές Μαθήματος

Για να αιτηθείτε μια εξατομικευμένη διδασκαλία γι' αυτό το μάθημα, παρακαλώ επικοινωνήστε μαζί μας.

Σε αυτή τη διδασκαλία με επιμέλεια εξερευνητή σε Ελλάδα (ονλάιν ή σε υπόγειο περιβάλλον), οι συμμετέχοντες θα μάθουν τις διάφορες τεχнологίες, πλαίσια και τεχνικές για την προγραμματισμό διαφορετικών είδων ρομπότ να χρησιμοποιηθούν στο πεδίο της πυρηνικής τεχνολογίας και των περιβαλλοντικών συστημάτων.

Ο 6-εβδομαδιαίος κύκλος διδασκαλίας είναι που επιβραβεύει για 5 μέρες την εβδομάδα. Κάθε μέρα κρατάει 4 ώρες και αποτελείται από διαλέξεις, συζήτησε και πρακτικό προγραμματισμό ρομπότ σε ένα περιβάλλον εργασίας με τυχαίες πειραματικές δημιουργίες. Οι συμμετέχοντες θα προσαρμόσουν διάφορα πραγματικά προβλήματα εφαρμοσίμων στην εργασία τους ώστε να πραξικοπήσουν τα γνώριμα τους.

Το κέντρο εφαρμογής για αυτό το μάθημα θα είναι προσομοιωμένο σε 3D χρησιμοποιώντας λογισμικό προσομοίωσης. Το ROS (Robot Operating System) αυτόσχεδος πλαίσιο, C++ και Python θα χρησιμοποιηθούν για τον προγραμματισμό ρομπότ.

Ακολουθώντας τη διδασκαλία, οι συμμετέχοντες θα μπορούν να:

• Συντάξουν τις βασικές ιδέες που χρησιμοποιούνται στις ρομποτικές τεχνολογίες.
• Συντάξουν και διαχειρίσουν την αλληλεπίδραση μεταξύ λογισμικού και υλικής σε ένα ρομποτικό σύστημα.
• Συντάξουν και εφαρμόσουν τα λογισμικά στοιχεία που υποστηρίζουν τη ρομποτική.
• Δημιουργήσουν και λειτουργήσουν ένα προσομοιωμένο μηχανικό ρομπότ που να μπορεί να βλέπει, αντιλαμβάνεται, εκτελεί, ναξεύει και να διαθέτει με ανθρώπους πιστευόμενη ήχο.
• Συντάξουν τα απαραίτητα στοιχεία της επιστήμης των μηχανών (μηχανικής μάθησης, βαθιά μάθηση κλπ.) υποδειγμένες στη δημιουργία ενός νου αυτοκινήτου.
• Εφαρμόσουν φίλτρα (Kalman και Particle) για να επιτρέψει στο ρομπότ να βρίσκει κινούμενα αντικείμενα στην περιουσία του.
• Εφαρμόσουν αλγόριθμους ζήτησης και επιχειρησιακού διαχείριση.
• Εφαρμόσουν το πλαίσιο PID για την διαχείριση των κινήσεων ενός ρομπότ σε ένα περιβάλλον.
• Εφαρμόσουν αλγόριθμους SLAM για να επιτρέψει στο ρομπότ να αντικείμενο μια άγνωστη περιουσία.
• Διευθύνει τη δυνατότητα ενός ρομπότ να πραξικοπήσει μάζες εργασίας και Deep Learning.
• Δοκιμάσουν και διάσωσε ένα ρομπότ σε πραγματικά μερίδια.

Τεχνητή Νοημοσύνη και Ρομποτική για την Πυρηνική Τεχνολογία - ΔιεξοδικόΤέχνη-Νοησίς (AI) και ρομποτική είναι ισχυρά εργαλεία για την ανάπτυξη συστημάτων ασφαλείας σε πυρηνικές όρες. Σε αυτή τη διδασκαλία με επιμέλεια, οι συμμετέχοντες θα μάθουν τις διάφορες τεχνολογίες, πλαίσια και τεχνικές για την προγραμματισμό διαφορετικών είδων ρομπότ να χρησιμοποιηθούν στο πεδίο της πυρηνικής τεχνολογίας και των περιβαλλοντικών συστημάτων. Ο 6-εβδομαδιαίος κύκλος διδασκαλίας είναι που επιβραβεύει για 5 μέρες την εβδομάδα. Κάθε μέρα κρατάει 4 ώρες και αποτελείται από διαλέξεις, συζήτησε και πρακτικό προγραμματισμό ρομπότ σε ένα περιβάλλον εργασίας με τυχαίες πειραματικές δημιουργίες. Οι συμμετέχοντες θα προσαρμόσουν διάφορα πραγματικά προβλήματα εφαρμοσίμων στην εργασία τους ώστε να πραξικοπήσουν τα γνώριμα τους.Το κέντρο εφαρμογής για αυτό το μάθημα θα είναι προσομοιωμένο σε 3D χρησιμοποιώντας λογισμικό προσομοίωσης. Το ROS (Robot Operating System) αυτόσχεδος πλαίσιο, C++ και Python θα χρησιμοποιηθούν για τον προγραμματισμό ρομπότ.Ακολουθώντας τη διδασκαλία, οι συμμετέχοντες θα μπορούν να:- Συντάξουν τις βασικές ιδέες που χρησιμοποιούνται στις ρομποτικές τεχνολογίες.- Συντάξουν και διαχειρίσουν την αλληλεπίδραση μεταξύ λογισμικού και υλικής σε ένα ρομβοτικό σύστημα.- Συντάξουν και εφαρμόσουν τα λογισμικά στοιχεία που υποστηρίζουν τη ρομβοτική.- Δημιουργήσουν και λειτουργήσουν ένα προσομοιωμένο μηχανικό ρομπότ που να μπορεί να βλέπει, αντιλαμβάνει, εξευτελίζει, διασφαλίζει και διαθέτει με τους ανθρώπους πιστευόμενη ήχο.- Συντάξουν τα απαραίτητα στοιχεία της επιστήμης των μηχανών (μηχανικής μάθησης, βαθιά μάθηση κλπ.) υποδειγμένες στη δημιουργία ενός νου αυτοκινήτου.- Εφαρμόσουν φίλτρα (Kalman και Particle) για να επιτρέψει στο ρομπότ να βρίσκει κινούμενα αντικείμενα στην περιουσία του.- Εφαρμόσουν αλγόριθμους ζήτησης και επιχειρησιακού διαχείριση.- Εφαρμόσουν το πλαίσιο PID για την διαχείριση των κινήσεων ενός ρομπότ σε ένα περιβάλλον.- Εφαρμόσουν αλγόριθμους SLAM για να επιτρέψει στο ρομπότ να αντικείμενο μια άγνωστη περιουσία.- Διευθύνει τη δυνατότητα ενός ρομπότ να πραξικοπήσει μάζες εργασίας και Deep Learning.- Δοκιμάσουν και διάσωσε ένα ρομπότ σε πραγματικά μέριδια.Σχήμα της Διδασκαλίας- Επικοινωνιακή διάλεξη και συζήτηση.- Πολλές ασκήσεις και πρακτική.- Πρακτική εφαρμογή σε μία περιβάλλον εργασίας.Λύσεις προσαρμογής της Διδασκαλίας- Για να προσαρμόσουν κάποια μέρη αυτής της διδασκαλίας (λογισμική, ρομπότ ηλικία, κλπ.) παρακαλώ επικοινωνήστε μαζί μας για να διατάξετε.Χρησιμοποιότητα Προγραμματισμού σε C και C++- Εμπειρία προγραμματισμού μέσω Python (χρήσιμο αλλά όχι ανάγκη; μπορεί να εξηγηθεί σε τομές διδασκαλία)- Εμπειρία στο περιβάλλον LinuxΠληρόφορος- Προγραμματιστές- Μηχανικοί- Επιστήμονες- ΤεχνικοίΗμέρα 01Εισαγωγή- Τι ποιά συνθήκη ενός ρομβότ νου;- Φυσικού vs Virtual Robots- Πεπερασμένου Smart Machines, Sentient Machines και Robotic Process Automation (RPA), κλπ.- Η πρόθεση της επιστήμης των μηχανών (AI) στη ρομβοτική - Πέρα από "if-then-else" και του μάθησης μηχανής - Οι αλγόριθμοι πίσω AI - Μηχανική μάθηση, υπολογιστική ντέιτ και φυσικώς του γλώσσας επεξεργασίας (NLP), κλπ. - Πνεύματος ρομβοτική- Η πρόθεση μεγάλων δεδομένων στη ρομβοτική - Επιχείρηση βασικώς "εφαρμόσε" και αντυπολογισμού- Το Cloud και ρομβοτική - Συνδέσεις με IT ρομβότ - Δημιουργία πιο επωφελών ρομβότ που αποκτούν πιο λεπτομερή και συνεργάζεταιΠερισσότερα Παραδείγματα: Επιχειρηματικές ρομβότ- Μηχανική ρομβότ - Baxter- Ρομβότ σε πυρηνικά οδηγώσεις - Παραπλανήσεως ανίχνευση και προστασία- Ρομβότ σε πυρηνικά δραστηριότητες - Παραπλανήσεως ανίχνευση και προστασίαΜηχανής στοιχεία ρομβότ- Μοτορ, συσκευές, μικροπελαστές, κάμερες, κλπ.Κοινοπραξίες ρομβότ- Machine vision, εγνώριση ήχου, γλωσσή συνθέσεις, πλησιέστερη ανίχνευση, αντίδραση πειράματα, κλπ.Πλαίσιο Διαχείρισης για τον Προγραμματισμό ρομβότ- Open source και εμπορικά πλαίσια- Robot Operating System (ROS) - Αρχιτεκτονική: workspace, topics, messages, services, nodes, actionlibs, tools, κλπ.Γλώσσες για την Διαχείριση ρομβότ- C++ για μικρό προγραμματισμό- Python για ορχήστρα- Προγράμματα ROS σε Python και C ++- Άλλες λίγεςΕργαλεία προσομοίωση ρομβότ- Commercial και open source 3D simulation and visualization softwareΗμέρα 02Προετοιμασία του Διαχείρισης Περιβάλλον- Εγκατάσταση λογισμικού και ρυθμίσεων- Κινητές πακέτων και αξιόπιστα utilitiesΠερισσότερα Παραδείγματα: Μηχανική ρομβότ- Ρομβότ στο πυρηνική τεχνολογίας αγορά- Ρομβότ σε περιβαλλοντικές ροδέςΠρογραμματισμός του ρομβότ- Προγραμματισμός μιας νόδ σε Python και C ++- Επίλυση ROS node- Messages and topics in ROS- Publication / subscription paradigm- Project: Bump & Go with real robot- Troubleshooting- Simulation of robots with Gazebo / ROS- Frames in ROS and reference changes- 2D information processing of cameras with OpenCV- Information processing of a laser- Project: Safe tracking of objects by color- TroubleshootingΗμέρα 03Προγραμματισμός του ρομβότ (Συνεχιζόμενη...)- Services in ROS- 3D information processing of RGB-D sensors with PCL- Maps and Navigation with ROS- Project: Search for objects in the environment- TroubleshootingΠρογραμματισμός του ρομβότ (Συνεχιζόμενη...)- ActionLib- Speech Recognition and Speech Generation- Controlling robotic arms with MoveIt!- Controlling robotic neck for active vision- Project: Search and collection of objects- TroubleshootingΔοκιμή του ρομβότ- Unit testingΗμέρα 04Επεκτάσεις στην Εξωτερικότητα του ροβότ μέσα Deep Learning- Perception -- vision, audio και αντίδραση πειράματα- Knowledge representation- Voice recognition through NLP (natural language processing)- Computer visionΑυξημένη Εκπαίδευση σε Deep Learning- Artificial Neural Networks (ANNs)- Artificial Neural Networks vs. Biological Neural Networks- Feedforward Neural Networks- Activation Functions- Training Artificial Neural NetworksΑυξημένη Εκπαίδευση σε Deep Learning (Συνεχιζόμενη...)- Deep Learning ModelsConvolutional Networks και Recurrent NetworksConvolutional Neural Networks (CNNs or ConvNets) Convolution Layer Pooling Layer Convolutional Neural Networks ArchitectureΗμέρα 05Αυξημένη Εκπαίδευση σε Deep Learning (Συνεχιζόμενη...)- Recurrent Neural Networks (RNN) - Training an RNN - Stabilizing gradients during training - Long short-term memory networks- Deep Learning Platforms and Software Libraries - Deep Learning in ROSΧρήση μεγάλων δεδομένων στην ροβότ- Μεγάλα data concepts- Προσέγγιση προς την ανίχνευση δεδομένων- Megalos δεδομένων tooling- αντιγραφή μοτίβου στα δεδομένα- Υποχρεώσεις: NLP και Computer Vision πάνω σε μεγάλα data setsΧρήση μεγάλων δεδομένων στην ροβότ (Συνεχιζόμενη...)- Distributed processing of large data sets- Coexistence and cross-fertilization του megala δεδομένων και ροβοτικής- Ο robot από συγκεκριμένα generator of data - Range measuring sensors, position, visual, tactile sensors, and other modalities- Making sense of sensory data (sense-plan-act loop)- Υποχρεώσεις: Capturing streaming dataΠρογραμματισμός του αυτόνοητο Deep Learning ροβότ- Deep Learning robot components- Setting up the robot simulator- Running a CUDA-accelerated neural network with Cafe- TroubleshootingΗμέρα 06Προγραμματισμός του αυτόνοητο Deep Learning ροβότ (Συνεχιζόμενη...)- Recognizing objects in photographs or video streams- Enabling computer vision with OpenCV- TroubleshootingΑνάλυση δεδομένων- Using the robot to collect and organize new data- Tools και προцέσσεις για να αντιγράψουμε τα δεδομέναΑποστολή Συστήματος- Transitioning a simulated robot to physical hardware- Deploying the robot in the physical world- Monitoring and servicing robots in the fieldΒιώσιμη του ροβότ- Preventing unauthorized tampering- Preventing hackers from viewing και stealing sensitive dataΚατασκευή ροβότ συνολικά- Building a robot in the cloud- Joining the robotics communityΤέλη του ποδίου των robots στην Επιστήμη και ενεργειακός τομέα- Περίληψη και μελέτη

Σε αυτή την εκπαιδευτική εξάσκηση, κατευθυνόμενη από διδάσκοντα (online ή on-site), οι συμμετέχοντες θα μάθουν τις διάφορες τεχνολογίες, πλαισία και τεχνικές για την προγραμματισμό διαφορετικών τύπων ρομπότ που θα χρησιμοποιηθούν στο πεδίο της τεχνολογίας στοιχειοθερμίδας και των περιβαλλοντικών συστημάτων.

Η 4-εβδομαδιαία διάρκειας εξάσκηση πραγματοποιείται 5 ημέρες την εβδομάδα. Κάθε ημέρα διαρκεί 4 ώρες και αποτελείται από παραλειπτικά, συζητήσεις και εργασίες προγραμματισμού ρομπότ σε ένα περιβάλλον live lab. Οι συμμετέχοντες θα ολοκληρώσουν διάφορα πραγματικά έργα που είναι κατάλληλα για το έργο τους, ώστε να ασκήσουν τις κατεβασμένες γνώσεις.

Το στόχαστο υλικό για αυτή τη διάρκεια εξάσκησης θα μοντελοποιηθεί 3D μέσω λογισμικού προσομοίωσης. Το κώδικα θα φορτώσει σε φυσικό υλικό (Arduino ή άλλο) για την τελική δοκιμή διάρκειας. Το πλαίσιο ανοιχτής πηγής ROS (Robot Operating System), C++ και Python θα χρησιμοποιηθεί για τον προγραμματισμό των ρομπότ.

Στο τέλος αυτής της εξάσκησης, οι συμμετέχοντες θα μπορούν να:

• 
  Να κατανοήσουν τα βασικά χαρακτηριστικά που χρησιμοποιούνται στις τεχνολογίες ρομπότ.
  


• 
  Να κατανοήσουν και να διαχειριστούν την αλληλεπίδραση μεταξύ λογισμικού και υλικού σε ένα σύστημα ρομπότ.
  


• 
  Να κατανοήσουν και να εφαρμόσουν τα λογισμικά συστατικά που υποστηρίζουν την ρομποτική.
  


• 
  Να κατασκευάσουν και να λειτουργήσουν ένα προσομοιωμένο μηχανικό ρομπότ που μπορεί να βλέπει, να αντιλαμβάνεται, να επεξεργάζεται, να πλοηγείται και να αλληλεπιδρά με τους ανθρώπους μέσω φωνής.
  


• 
  Να κατανοήσουν τα απαραίτητα συστατικά της τεχνητής νοημοσύνης (μηχανικό μάθημα, βαθύ μάθημα κλπ.) που είναι κατάλληλα για τη δημιουργία ένα σοφού ρομπότ.
  


• 
  Να εφαρμόσουν φίλτρα (Kalman και Particle) για να επιτρέψει στο ρομπότ να τοποθετήσει κινητά αντικείμενα στο περιβάλλον.
  


• 
  Να εφαρμόσουν αλγόριθμους αναζήτησης και σχεδιασμό κίνησης.
  


• 
  Να εφαρμόσουν έλεγχο PID για να ρυθμίσει την κίνηση του ρομπότ σε ένα περιβάλλον.
  


• 
  Να εφαρμόσουν αλγόριθμους SLAM για να επιτρέψει στο ρομπότ να καταχωρήσει ένα άγνωστο περιβάλλον.
  


• 
  Να εξετάσουν και να βρουν λύσεις σε ρομπότ σε πραγματικές συνθήκες.
  

Το ROS 2 (Robot Operating System 2) είναι ένα οπεν-σόρσ κατάλληλο πλαίσιο σχεδιασμένο για να υποστηρίξει την ανάπτυξη εξαιρετικώς περίπλοκων και κλιμακωτικών εφαρμογών ρομποτικής.

Αυτή η διδασκαλία που οδηγείται από καθηγητή (διαδικτυακά ή σε τοπικό επίπεδο) στρέφεται προς τους μεσαίου επιπέδου μηχανικούς ρομποτικής και διαμορφωτές που επιθυμούν να υλοποιήσουν αυτόνομη κατεύθυνση και SLAM (Simultaneous Localization and Mapping) με το ROS 2.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Εγκαθιστήσουν και ρυθμίσουν το ROS 2 για εφαρμογές αυτόνομης κατεύθυνσης.
• Υλοποιήσουν αλγόριθμους SLAM για το χάρτογραφημένο και οριοθετημένο.
• Ενσωμάτωση αισθητήρων όπως το LiDAR και τα κάμερες με το ROS 2.
• Προσομοίωση και δοκιμή αυτόνομης κατεύθυνσης στο Gazebo.
• Εγκατάσταση ναυτιλιακών πάκετων σε φυσικές ρομπότ.

Μορφή του Κούρσου

• Ενεργός διάλογος και συζήτηση.
• Πρακτική εξάσκηση χρησιμοποιώντας τους ορόλογους και περιβάλλοντα προσομοίωσης του ROS 2.
• Εφαρμογή και δοκιμή σε εικονικές ή φυσικές ρομπότ.

Εξατομικευμένες Επιλογές Κούρσου

• Για να παραπεμφθεί μια εξατομικευμένη κατάρτιση για αυτό το μάθημα, παρακαλώ επικοινωνήστε μαζί μας για να οργανώσουμε.

Η υπηρεσία Azure Bot συνδυάζει τη δύναμη του πλαισίου Microsoft Bot και των λειτουργιών Azure για να επιτρέψει τη γρήγορη ανάπτυξη έξυπνων bots.

Σε αυτό το κεκλημένο, ζωντανό εκπαιδευτικό πρόγραμμα, οι συμμετέχοντες θα μάθουν όπως εύκολα να δημιουργήσουν έξυπνο bot χρησιμοποιώντας τη Microsoft Azure

Στο τέλος αυτού του εκπαιδευτικού προγράμματος, οι συμμετέχοντες θα μπορούν να:

• Μάθουν τα βασικά αρχίσια των έξυπνων bots
• Μάθουν πώς να δημιουργούν έξυπνα bots χρησιμοποιώντας εφαρμογές στο cloud
• Κατανοήσουν πώς να χρησιμοποιούν το Microsoft Bot Framework, το SDK Bot Builder και την υπηρεσία Azure Bot
• Κατανοήσουν πώς να σχεδιάζουν bots χρησιμοποιώντας μοτίβα bots
• Αναπτύξουν το πρώτο έξυπνο bot τους χρησιμοποιώντας τη Microsoft Azure

Διευθυντής

• Προγραμματιστές
• Φίλοι του χόμπι
• Μηχανικοί
• Επαγγελματίες ΤΠ

Μορφή του μαθήματος

• Μέρος παράσταση, μέρος συζήτηση, ασκήσεις και βαρύς πρακτικός οδηγία

Ένα bot ή ένα chatbot είναι σαν ένας βοηθός υπολογιστή που χρησιμοποιείται για την αυτοματοποίηση των αλληλεπιδράσεων των χρηστών σε διάφορες πλατφόρμες ανταλλαγής μηνυμάτων και για να κάνει τα πράγματα πιο γρήγορα χωρίς να χρειάζεται οι χρήστες να μιλήσουν σε άλλον άνθρωπο.

Σε αυτήν τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να ξεκινήσουν την ανάπτυξη ενός bot καθώς προχωρούν στη δημιουργία δειγμάτων chatbot χρησιμοποιώντας εργαλεία και πλαίσια ανάπτυξης bot.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Κατανοήστε τις διαφορετικές χρήσεις και εφαρμογές των bots
• Κατανοήστε την πλήρη διαδικασία στην ανάπτυξη bots
• Εξερευνήστε τα διάφορα εργαλεία και πλατφόρμες που χρησιμοποιούνται στην κατασκευή bots
• Δημιουργήστε ένα δείγμα chatbot για το Facebook Messenger
• Δημιουργήστε ένα δείγμα chatbot χρησιμοποιώντας Microsoft Bot Framework

Ακροατήριο

• Προγραμματιστές που ενδιαφέρονται να δημιουργήσουν το δικό τους bot

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

O Edge AI επιτρέπει τα μοντέλα του τεχνικού νοητικού να λειτουργούν άμεσα σε καθιστώμενα υπολογιστικά συστήματα ή συστήματα με περιορισμένη πόρων, μείωνοντας το χρονόδιαγράμμα και την κατανάλωση ενέργειας ενώ αυξάνει την αυτονομία και την ιδιωτικότητα στα ρομποτικά συστήματα.

Αυτή η εκπαίδευση με καθηγητή (online ή onsite) απευθύνεται σε υψηλόβαθμους ενσωματωμένους διεργαστικούς και μηχανικούς ρομποτικής που θέλουν να εφαρμόσουν τεχνικές μηχανικής μάθησης και βελτιωμένων υπολογισμών άμεσα σε ρομποτικό λειτουργικό υλικό χρησιμοποιώντας TinyML και πλαίσια Edge AI.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Κατανοήσουν τα βασικά αρχίσματα της TinyML και της Edge AI για ρομποτική.
• Μετατρέψουν και να εφαρμόσουν μοντέλα AI για ανάλυση συσκευών.
• Βελτιώσουν τα μοντέλα όσον αφορά την ταχύτητα, το μέγεθος και την αποδοτικότητα ενέργειας.
• Ενσωματώσουν Edge AI συστήματα σε ρομποτικά λειτουργικά πλαίσια ελέγχου.
• Αξιολογήσουν την απόδοση και την ακρίβεια σε πραγματικά ρυθμία.

Μορφή του Κουρσού

• Αλληλεπίδραση και συζήτηση.
• Χειρονομική πρακτική χρησιμοποιώντας TinyML και εργαλεία Edge AI.
• Εφαρμοσμένη εξάσκηση σε πλατφόρμες καθιστώμενου λειτουργικού υλικού και ρομποτικής.

Επιλογές Προσαρμογής του Κουρσού

• Για να αιτηθείτε μια προσαρμοσμένη εκπαίδευση για αυτό το κούρσο, παρακαλώ επικοινωνήστε μαζί μας.

Αυτή η εκπαιδευτική διαδικασία με οδηγό, live training στο Ελλάδα (online ή on-site) απευθύνεται σε μεσοβάθμιου επιπέδου συμμετέχοντες που επιθυμούν να εξερευνήσουν το ρόλο των συνεργατικών Ρομπότ (cobots) και άλλων ανθρωποκεντρικών AI συστημάτων σε σύγχρονα εργαλεία.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Να καταλάβουν τα βασικά αρχή της Ανθρωποκεντρικής Φυσικής AI και τις εφαρμογές της.
• Να εξερευνήσουν το ρόλο των συνεργατικών Ρομπότ στην αύξηση της παραγωγικότητας των εργαλείων.
• Να αναγνωρίσουν και να αντιμετωπίσουν προκλήσεις στην ανθρώπινη-μηχανική διαδικασία.
• Να σχεδιάσουν ρούτινες που βελτιόζουν την συνεργασία μεταξύ ανθρώπων και AI-οδηγμένων συστημάτων.
• Να προωθήσουν μια πολιτισμός καινοτομίας και ευελιξίας σε τέχνη-οδηγμένα εργαλεία.

Αυτή η εκπαιδευτική ενότητα με ζωντανή καθοδήγηση σε Ελλάδα (online ή πρόσωπο με πρόσωπο) απευθύνεται σε μηχανικούς που επιθυμούν να μάθουν για την εφαρμογή της τεχνητής νοησίας στα μηχατρονικά συστήματα.

Στο τέλος αυτής της εκπαιδεύσης, οι συμμετέχοντες θα μπορούν να:

• Διαθέτουν γενική επισκόπηση της τεχνητής νοησίας, του μηχανικού μάθηματος και της υπολογιστικής νοητικότητας.
• Κατανοούν τα προσδιορισμένα αυτόνομων δικτύων και των διαφορετικών μεθόδων μάθησης.
• Επιλέγουν αποτελεσματικά προσεγγίσεις τεχνητής νοησίας για πραγματικά προβλήματα.
• Εφαρμένε αποδόσεις της τεχνητής νοησίας στη μηχατρονική μηχανική.

Αυτή η εκπαίδευση από εξειδικευμένο ιδρυτή σε Ελλάδα (online ή live) προσβάλλει προχωρημένους επιστήμονες ρομπότ και έρευνητές AI που θα θέλουν να χρησιμοποιήσουν τη Multimodal AI για τη ενσωμάτωση διαφόρων αισθητικών δεδομένων προκειμένου να δημιουργήσουν πιο αυτονόητα και αποτελεσmaticά ρομπότ που μπορούν να βλέπουν, άκουγαν και τίθων.

Τέλος της εκπαίδευσης, οι συμμετέχοντες θα μπορέσουν να:

• Εφαρμόζουν πολυμεγεθείς αισθητή σύσταση σε ρομποτικά συστήματα.
• Αναπτύσσουν AI λογισμικό για την αναλυτική σύγχυση και διάθεση αποφάσεων.
• Δημιουργούν ρομπότ που μπορούν να εκτελούν περίπλοκες δραστηριότητες σε αλλασσόμενες περιβαλλόντων.
• Αντιμετωπίζουν προκλήσεις στην επεξεργασία δεδομένων και αλληλεπίδραση σε ρεαλ-τάιμ.

Αυτή η εκπαίδευση υπό την καθοδήγηση διδάσκοντα, ζωντανά στο Ελλάδα (online ή on-site), απευθύνεται σε μεταξύ επίπεδου συμμετέχοντες που θέλουν να βελτιώσουν τις δεξιότητες τους στη σχεδίαση, προγραμματισμό και ανάκτηση φυσικά ευφύων ρομποτικών συστημάτων για την αυτομάτωση και πέρα από αυτή.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Κατανοήσουν τους κανόνες της Φυσικής Τεχνητής Νοημοσύνης και τις εφαρμογές της στη ρομποτική και αυτομάτωση.
• Σχεδιάσουν και να προγραμματίσουν ευφύη ρομποτικά συστήματα για δυναμικά περιβάλλοντα.
• Εφαρμένων μοντέλων τεχνητής νοημοσύνης για αυτόνομη λήψη αποφάσεων σε ρομπότ.
• Να εκμεταλλευτούν εργαλεία προσομοίωσης για τη δοκιμή και βελτιστοποίηση ρομπότ.
• Να αντιμετωπίσουν προκλήσεις όπως το συνδυασμός αισθητών, την πραγματικό χρόνο επεξεργασία και την ενεργειακή απόδοση.

Η ενίσχυση μάθησης (RL) είναι ένα παράδειγμα μηχανικής μάθησης όπου οι άλλοι μαθαίνουν να λαμβάνουν αποφάσεις διασκευάζοντας σε ένα περιβάλλον. Στη ρομποτική, η RL επιτρέπει τα αυτόνομα συστήματα να αναπτύσσουν προσαρμοστικές δυνατότητες ελέγχου και λήψης αποφάσεων μέσω της εμπειρίας και του αντικτύπου.

Αυτή η διδασκαλία, που πραγματοποιείται υπό την καθοδήγηση ενός καθηγητή (online ή on-site), απευθύνεται σε μηχανικούς μάθησης υψηλής βαθμίδας, έρευνα ρομποτικής και δημιουργούς που επιθυμούν να σχεδιάζουν, να εφαρμόζουν και να εγκαθίστουν αλγόριθμους ενίσχυσης μάθησης σε ρομποτικές εφαρμογές.

Στο τέλος αυτής της διδασκαλίας, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοήσουν τα βασικά αρχές και τα μαθηματικά πρότυπα της ενίσχυσης μάθησης.
• Εφαρμόσουν αλγόριθμους RL όπως ο Q-learning, DDPG και PPO.
• Συνδέσουν την RL με ρομποτικά περιβάλλοντα μεταφορών χρησιμοποιώντας OpenAI Gym και ROS 2.
• Εκπαιδεύουν ρόμποτ για να εκτελούν περίπλοκες εργασίες αυτονόμως μέσω δοκιμών και λάθη.
• Βελτιώνουν την απόδοση εκπαίδευσης χρησιμοποιώντας πλαίσια βαθιάς μάθησης όπως το PyTorch.

Μορφή Μαθήματος

• Ενεργός διάλογος και συζήτηση.
• Πρακτική εφαρμογή χρησιμοποιώντας Python, PyTorch και OpenAI Gym.
• Πρακτικές ασκήσεις σε μεταφορικά ή φυσικά ρομποτικά περιβάλλοντα.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη διδασκαλία για αυτό το μάθημα, επικοινωνήστε μαζί μας για να οργανώσετε.

Το πρόγραμμα εκπαίδευσης «Ασφαλής και Εξηγήσιμη Ρομποτική» αποτελεί μια εξοχή εκπαιδευτική πρωτοβουλία που εστιάζει στην ασφάλεια, τον έλεγχο και την ηθική διακυβέρνηση ρομποτικών συστημάτων. Το μάθημα ενώνει θεωρία και πράξη, εξετάζοντας τους μεθόδους ασφαλείας, την ανάλυση κινδύνων και τις εξηγήσιμες προσέγγισες του AI που καθιστούν τη λήψη αποφάσεων των ρομπότ διαφανείς και αξιόπιστες. Οι συμμετέχοντες θα μάθουν πώς να εξασφαλίζουν τη συμμόρφωση, να ελέγχουν τα συμπεριφορικά χαρακτηριστικά και να καταγράφουν την ασφάλεια σύμφωνα με διεθνή πρότυπα.

Αυτή η εκπαιδευτική κατεύθυνση, υπο όρον εξ αγωγής παρακολούθησης (online ή on-site), στοχεύει σε εμπειρογνώμονες με διάφορη βάση γνώσεων που επιθυμούν να εφαρμόσουν αρχές έλεγχου, επαλήθευσης και εξηγήσιμης λήψης αποφάσεων για να διασφαλίσουν την ασφάλεια και την ηθική υποβολή ρομποτικών συστημάτων.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Αναπτύξουν και εκδοθούν περιπτώσεις ασφάλειας για ρομπότ και αυτόνομα συστήματα.
• Εφαρμένουν τεχνικές επαλήθευσης και αξιολόγησης σε περιβάλλοντα προσομοίωσης.
• Κατανοήσουν τους εξηγήσιμους πλαισίους AI για τη λήψη αποφάσεων των ρομπότ.
• Συνδυάσουν τους κανόνες ασφαλείας και ηθική στη σχεδίαση και λειτουργία των συστημάτων.
• Επικοινοποιήσουν απαιτήσεις ασφαλείας και διαφάνειας σε εμπλεκόμενους.

Μορφή του Μαθήματος

• Διαδραστικός διάλογος και συζήτηση.
• Εξεργασία προσομοίωσης και ανάλυσης ασφάλειας χειρονομήτου.
• Σπουδή περιπτώσεων από πραγματικές εφαρμογές ρομποτικής.

Εξατομικευμένες Επιλογές Μαθήματος

• Για να ζητήσετε μια εξατομικευμένη εκπαίδευση για αυτό το πρόγραμμα, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσετε.

Ένα Νευρικό Ρομπότ είναι ένα σύστημα Τεχνητής Νοημοσύνης (ΤΝ) που μπορεί να μάθει από το περιβάλλον και την εμπειρία του, χτίζοντας συγκεκριμένες ικανότητες με βάση αυτή τη γνώση. Τα Νευρικά Ρομπότ μπορούν να συνεργάζονται με ανθρώπους, δουλεύοντας πλήσι τους και μαθαίνοντας από τη συμπεριφορά τους. Επιπλέον, έχουν τη δυνατότητα να εκτελούν όχι μόνο αυτόματες πράξεις, αλλά και γνωσιακές εργασίες. Εκτός από τα φυσικά ρομπότ, τα Νευρικά Ρομπότ μπορεί να είναι και αποκλειστικά λογισμικά βασισμένα, υπάρχοντα σε υπολογιστή ως εφαρμογή λογισμικού χωρίς κινητές μέρη ή φυσική αλληλεπίδραση με τον κόσμο.

Σε αυτή τη διδασκαλία υπό την οδηγία ενός εκπαιδευτικού, οι συμμετέχοντες θα μάθουν διάφορες τεχνολογίες, πλατφόρμες και τεχνικές για την προγραμματισμό διαφορετικών ειδών μηχανικών Νευρικών Ρομπότ, και θα χρησιμοποιήσουν αυτή τη γνώση για να συμπληρώσουν τα δικά τους προ젝έκτα Νευρικών Ρομπότ.

Το μάθημα χωρίζεται σε 4 τμήματα, καθένα από τα οποία αποτελείται από τρία ημέρες διδασκαλίας, συζητήσεων και χειροντικής ανάπτυξης ρομπότ σε περιβάλλον ζωντανής εργαστήριου. Κάθε τμήμα θα κλείσει με ένα χειροντικό προ젝έκτα για να επιτρέψει στους συμμετέχοντες να ασκηθούν και να δείξουν την απόκτηση γνώσεων.

Το υλικό που θα χρησιμοποιηθεί σε αυτή τη διδασκαλία θα μιμηθεί σε 3D μέσω λογισμικού πρόσομος. Το ROS (Robot Operating System) open-source πλατφόρμα, το C++ και το Python θα χρησιμοποιηθούν για την προγραμματισμό των ρομπότ.

Στο τέλος αυτής της διδασκαλίας, οι συμμετέχοντες θα μπορούν να:

• Κατανοήσουν τους βασικούς όρους που χρησιμοποιούνται στις τεχνολογίες ρομπότ
• Κατανοήσουν και να διαχειριστούν την αλληλεπίδραση μεταξύ λογισμικού και υλικού σε ένα σύστημα ρομπότ
• Κατανοήσουν και να εφαρμόσουν τα λογισμικά συστατικά που υποβαθμίζουν τα Νευρικά Ρομπότ
• Να κατασκευάσουν και να ελέγξουν ένα πρόσομο μηχανικό Νευρικό Ρομπότ που μπορεί να δει, να αισθάνεται, να εξεγερθεί, να συλλαμβάνει, να πληροφορεί και να αλληλεπιδρά με τους ανθρώπους μέσω του φωνή
• Να επεκτείνουν τη δυνατότητα εκτέλεσης πολύπλοκων εργασιών από ένα Νευρικό Ρομπότ μέσω βάθυου μάθησης
• Να δοκιμάσουν και να συντηρήσουν ένα Νευρικό Ρομπότ σε πραγματικές σενάρια

Στόχοι του μαθήματος

• Προγραμματιστές
• Μηχανικοί

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαρύ χειροντικό πρακτικό

Σημείωση

• Για τη προσαρμογή οποιουδήποτε μέρους αυτού του μαθήματος (γλώσσα προγραμματισμού, υπολογιστικό ρομπότ, κλπ.) επικοινωνήστε μαζί μας για τη διαμόρφωση.

Το Smart Robotics είναι η ενσωμάτωση τεχνητής νοημοσύνης σε ρομποτικά συστήματα για βελτιωμένη αίσθηση, λήψη αποφάσεων και αυτόνομη ελίξη.

Αυτή η διδασκαλία με οδηγό (online ή γραμμικά) στοχεύει σε προχωρημένους ρομποτικολόγους, ενσωματώτες συστήματος και ηγέτες αυτομάτου που επιθυμούν να εφαρμόσουν AI-χαλκονική αίσθηση, σχεδιασμό και ελίξη σε ρομποτικά περιβάλλοντα αυτοποίησης.

Μέχρι το τέλος αυτής της διδασκαλίας, οι συμμετέχοντες θα μπορούν να:

• Συνιεσθεί και εφαρμόσει τεχνητή νοημοσύνη για ρομποτική αίσθηση και συνδυασμό αισθητηρίων.
• Αναπτύξει λογισμικά προγραμμάτων για κοινή δουλειά ρομποτικών και βιομηχανικών ρομπότ.
• Εγκαθίστατε στρατηγικές ελήξεως με βάση την μάθηση για πραγματικό χρόνο λήψη αποφάσεων.
• Ενσωματώσει εξελιγμένα συστήματα ρομποτικής σε διαδικασίες κατασκευής προϊόντων.

Σχέδιο της Διδασκαλίας

• Διεξοδική μάθηση και συζήτηση.
• Πολλά ασκήσεις και πρακτικές εμπειρίες.
• Εφαρμογή με βάση πραγματικό χώρο-λαβωτή.

Προσαρμοσμένα Διδασκαλίας Επιλογές

• Για να αιτηθεί προσαρμοσμένη διδασκαλία για αυτή την ενότητα, παρακαλώ επικοινωνήστε μαζί μας.