Ρομποτική Μανιπουλάση και Χείρωση με βάση τη Βαθιά Μάθηση Κομμάτι εκπαίδευσης

Η Τεχνητή Νοημοσύνη (AI) για Ρομποτική συγχωνεύει τη μηχανική μάθηση, τους ρυθμιστές και την ενσωμάτωση αισθητών για να δημιουργήσει έξυπνες μηχανές που μπορούν να αντιλαμβάνονται, λογοκρίνουν και ενεργούν αυτόνομα. Μέσω σύγχρονων εργαλείων όπως το ROS 2, το TensorFlow και το OpenCV, οι μηχανικοί μπορούν τώρα να σχεδιάζουν ρομπότ που πλοηγούνται, σχεδιάζουν και αλληλεπιδρούν με εξυπνημένο τρόπο με το πραγματικό περιβάλλον.

Αυτή η κατεύθυνση εξ αποστάσεως, υπό την καθοδήγηση εκπαιδευτικού (online ή on-site), απευθύνεται σε μηχανικούς μεμβρικού επιπέδου που επιθυμούν να αναπτύξουν, να εκπαιδεύσουν και να υποβάλουν συστήματα ρομποτικής με βάση την AI χρησιμοποιώντας ήδη διαθέσιμες ανοιχτές τεχνολογίες και πλατφόρμες.

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

• Να χρησιμοποιούν τη Python και το ROS 2 για να σχεδιάζουν και να προσομοιώνουν συμπεριφορές ρομπότ.
• Να εφαρμόζουν τους φίλτρους Kalman και Particle για την τοποθέτηση και παρακολούθηση.
• Να εφαρμόζουν τεχνικές υπολογιστικής ορασίας με το OpenCV για αντίληψη και ανάγνωριση αντικειμένων.
• Να χρησιμοποιούν το TensorFlow για πρόβλεψη κίνησης και επί μαθηση βασισμένη διαχείριση.
• Να συνδυάζουν το SLAM (Simultaneous Localization and Mapping) για αυτόνομη πλήρη πλοήγηση.
• Να αναπτύσουν μοντέλα επιχειρησιακής μάθησης για τη βελτίωση της λήψης αποφάσεων στη ρομποτική.

Μορφή Κούρσου

• Διαδραστική διάλεξη και συζήτηση.
• Εφαρμογή χειρονομίας με το ROS 2 και Python.
• Πρακτικά ασκήματα σε προσομοιωμένα και πραγματικά ρομποτικά περιβάλλοντα.

Ευεξίες Προσαρμογής Κούρσου

Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για διοργάνωση.

Σε αυτό το δίδαγμα, προσωπικής κατεύθυνσης σε Ελλάδα (online ή onsite), οι συμμετέχοντες θα μάθουν τις διάφορες τεχνολογίες, πλαισία και τεχνικές για την προγραμματισμό διαφορετικών τύπων ρομπότ που θα χρησιμοποιηθούν στον τομέα κλειδοφυλακιακής τεχνολογίας και περιβαλλοντικών συστημάτων.

Το δίδαγμα 6 εβδομάδων λαμβάνει χώρα 5 ημέρες τη βδομάδα. Κάθε μέρα διαρκεί 4 ώρες και αποτελείται από παρουσιάσεις, συζητήσεις και εφαρμογές ρομπότ σε ζωντανό εργαστήριο. Οι συμμετέχοντες θα ολοκληρώσουν διάφορα πρακτικά έργα από την εφαρμογή των κερδίσαν γνώσεων.

Το στόχαστο υλικό για αυτό το δίδαγμα θα μιμηθεί σε 3D μέσω λογισμικού προσομοίωσης. Το ROS (Robot Operating System) open-source πλαίσιο, C++ και Python θα χρησιμοποιηθούν για την προγραμματισμό των ρομπότ.

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

• Κατανοήσουν τις βασικές έννοιες που χρησιμοποιούνται στις τεχνολογίες ρομπότ.
• Κατανοήσουν και να διαχειριστούν τη συνδρομή μεταξύ λογισμικού και υλικού σε ένα σύστημα ρομπότ.
• Κατανοήσουν και να εφαρμόσουν τα λογισμικά συστατικά που υποστηρίζουν τη ρομποτική.
• Να κατασκευάσουν και να ελέγχουν ένα μιμημένο μηχανικό ρομπότ που μπορεί να βλέπει, αισθάνεται, εξεργάζεται, κυκλοφορεί και να διαδραματίζει συνομιλίες με τους ανθρώπους.
• Κατανοήσουν τα απαραίτητα στοιχεία της τεχνητής νοημοσύνης (machine learning, deep learning, κλπ.) που είναι εφαρμόσιμα για τη δημιουργία ένα ρομπότ με αυξημένη νοημοσύνη.
• Εφαρμόσουν φίλτρα (Kalman και Particle) για να επιτρέψουν στο ρομπότ να τοποθετεί κινητά αντικείμενα στο περιβάλλον.
• Εφαρμόσουν αλγόριθμους αναζήτησης και προγραμματισμού κίνησης.
• Εφαρμόσουν ελέγχους PID για να ρυθμίζουν την κίνηση του ρομπότ σε ένα περιβάλλον.
• Εφαρμόσουν αλγόριθμους SLAM για να επιτρέψουν στο ρομπότ να κάνει το πλάνο μιας άγνωστης περιοχής.
• Εξέτασουν τις δυνατότητες εκπλήρωσης σύνθετων καθηκόντων μέσω Deep Learning.
• Να δοκιμάσουν και να βρουν λύσεις προβλημάτων σε ρεαλιστικές συνθήκες.

Σε αυτή τη διδασκαλία υπό την καθοδήγηση εκπαιδευτή σε Ελλάδα (online ή on-site), οι συμμετέχοντες θα μάθουν διάφορες τεχνολογίες, πλατφόρμες και τεχνικές για την προγραμματισμό διαφορετικών τύπων ρομπότ σε εφαρμογές πυρηνικής τεχνολογίας και περιβαλλοντικών συστημάτων.

Το μαθήμα 4-εβδομαδίου διάρκειας λαμβάνεται 5 ημέρες τη εβδομάδα. Κάθε ημέρα είναι 4 ώρες μεγάλου και αποτελείται από διαλέξεις, συζητήσεις και πρακτική ανάπτυξη ρομπότ σε ενεργό εργαστήριο. Οι συμμετέχοντες θα εκπληρώσουν διάφορα πραγματικά έργα που αφορούν τη δουλειά τους, για να εξάσκησουν τη γνώση τους.

Το στόχαστο υπόδειγμα αυτού του μαθήματος θα μιμηθεί σε 3D μέσω προσομοίωσης λογισμικού. Το κώδικα θα φορτώνεται σε φυσικό υλικό (Arduino ή άλλο) για την τελική δοκιμή εφαρμογής. Το πλαίσιο ανοιχτού κώδικα ROS (Robot Operating System), C++ και Python θα χρησιμοποιηθεί για την προγράμματα ρομπότ.

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

• Να καταλάβουν τα βασικά χαρακτηριστικά που χρησιμοποιούνται στη ρομποτική.
• Να καταλάβουν και να διαχειρίζονται την αλληλεπίδραση μεταξύ λογισμικού και υπολογιστικής συστήματος.
• Να καταλάβουν και να εφαρμόζουν τα λογισμικά συσταδικά που υποστηρίζουν τη ρομποτική.
• Να κατασκευάσουν και να λειτουργίσουν ένα μηχανικό ρομπότ που μπορεί να βλέπει, αντιλαμβάνεται, επεξεργάζεται, πληθυντική, και να διασφαλίζει την αλληλεπίδραση με τους ανθρώπους μέσω ομιλίας.
• Να καταλάβουν τα απαραίτητα στοιχεία της τεχνητής νοημοσύνης (μηχανικό μάθημα, βαθιό μάθημα κλπ.) που εφαρμόζονται στη δημιουργία έξυπνου ρομπότ.
• Να εφαρμόζουν φίλτρα (Kalman και Particle) για να επιτρέψει στο ρομπότ να αναγνωρίζει κινητά αντικείμενα στο περιβάλλον του.
• Να εφαρμόζουν αλγόριθμους αναζήτησης και σχεδιασμού κίνησης.
• Να εφαρμόζουν έλεγχο PID για να ρυθμίζουν την κίνηση του ρομπότ σε ένα περιβάλλον.
• Να εφαρμόζουν αλγόριθμους SLAM για να δημιουργήσει το ρομπότ μεταγωγή ενός άγνωστου περιβάλλοντος.
• Να δοκιμάζουν και να ανιχνεύουν τα σφάλματα του ρομπότ σε πραγματικές σενάρια.

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

Το OpenCV είναι μια ένοπλη βιβλιοθήκη open-source για υπολογιστική οράση που κατευνάζει την πραγματοποίηση εύρειας επεξεργασίας εικόνων, ενώ οι πλατφόρμες βαθιάς μάθησης όπως το TensorFlow παρέχουν τα εργαλεία για νοημοσύνη και λήψη αποφάσεων στα ρομποτικά συστήματα.

Αυτή η εκπαίδευση, η οποία πραγματοποιείται με διατύπωση καθηγητή (online ή on-site), απευθύνεται σε ρομποτικούς μηχανικούς μεδιό βαθμο, εξειδικευμένους σε υπολογιστική οράση και μηχανική μάθηση, που επιθυμούν να εφαρμόσουν τεχνικές υπολογιστικής οράσης και βαθιάς μάθησης για ρομποτική αντίληψη και αυτόνομη λειτουργία.

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

• Εφαρμόζουν υπολογιστικά πίπερλαν αξιοποίηση του OpenCV.
• Συνδυάζουν μοντέλα βαθιάς μάθησης για ανίχνευση και αναγνώριση αντικειμένων.
• Χρησιμοποιούν δεδομένα βασισμένα στην υπολογιστική οράση για ρομποτική ελέγχου και πλοήγηση.
• Συνδυάζουν κλασικά αλγόριθμους οράσης με βαθιές νευρωνικές δίκτυα.
• Εφαρμόζουν υπολογιστικά πρότυπα οράσης σε ενσωματωμένες και ρομποτικές πλατφόρμες.

Μορφή του Μαθήματος

• Αλληλεπίδραση με διάλεξη και συζήτηση.
• Πρακτική εφαρμογή χρησιμοποιώντας OpenCV και TensorFlow.
• Εφαρμογή σε πραγματικά ή φυσικά ρομποτικά συστήματα.

Επιλογές Προσαρμογής Μαθήματος

• Για να κάνετε αίτηση για προσαρμοσμένη εκπαίδευση σε αυτό το μάθημα, επικοινωνήστε μαζί μας για να το διατυπώσουμε.

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 διδασκαλία υπό την καθοδήγηση εκπαιδευτή (online ή on-site) απευθύνεται σε ρομβοτικούς μηχανικούς και ερευνητές τεχνητής νοημοσύνης υψηλής δυσκολίας που θέλουν να χρησιμοποιήσουν την πολυμεσική τεχνητή νοημοσύνη για την ενσωμάτωση διάφορων αισθητικών δεδομένων με στόχο τη δημιουργία πιο αυτόνομων και αποδοτικών ρομπότ που μπορούν να βλέπουν, να ακούσουν και να αγγίζουν.

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

• Εφαρμόζουν πολυμεσική αίσθηση σε ρομβοτικά συστήματα.
• Αναπτύσσουν επιστημονικές αλγόριθμους για τη συνδυαστική εξεργασία αισθητικών δεδομένων και λήψη αποφάσεων.
• Δημιουργούν ρομπότ που μπορούν να εκτελούν περίπλοκες δραστηριότητες σε δυναμικά περιβάλλοντα.
• Αντιμετωπίζουν προκλήσεις στην εξεργασία δεδομένων ανά προς χρόνο και την ενεργοποίηση.

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.

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.