Εκπαίδευση AI for Robotics στη Λευκωσία

Edge AI enables artificial intelligence models to run directly on embedded or resource-constrained devices, reducing latency and power consumption while increasing autonomy and privacy in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level embedded developers and robotics engineers who wish to implement machine learning inference and optimization techniques directly on robotic hardware using TinyML and edge AI frameworks.

By the end of this training, participants will be able to:

• Understand the fundamentals of TinyML and edge AI for robotics.
• Convert and deploy AI models for on-device inference.
• Optimize models for speed, size, and energy efficiency.
• Integrate edge AI systems into robotic control architectures.
• Evaluate performance and accuracy in real-world scenarios.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using TinyML and edge AI toolchains.
• Practical exercises on embedded and robotic hardware platforms.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Αυτό το εκπαιδευτικό, ζωντανό εκμάθηση στο Λευκωσία (online ή απευθείας στο εργοστάσιο) προσβλέπει σε μεσαιτικό επίπεδο συμμετέχοντες που θέλουν να διερευνήσουν το ρόλο των συνεργατικών ρομπότ (cobots) και άλλων ανθρωπο-κέντρικων AI συστημάτων στους σύγχρονους εργασιακούς χώρους.

Ατελείωτο του εκμαθήσεων, οι συμμετέχοντες θα μπορούν να:

• Συνειδητοποίηση των αρχών του Human-Centric Physical AI και των εφαρμογών τους.
• Διερεύνηση του ρόλου των συνεργατικών ρομπότ για την αξιοποίηση της παραγωγικότητας στο εργασιακό περιβάλλον.
• Ανίχνευση και αντιμετώπιση προβλημάτων στις ανθρώπους-μηχανής διαδικασίες.
• Σχεδιασμός διαδικασιών που εξοικονομούν τη συνεργασία μεταξύ ανθρώπων και AI-βασισμένων συστημάτων.
• Προεδρεύει της πολιτικής επιχειρηματικότητας και αντισταθμιστικότητας στους AI-ενσωματωμένους εργασιακούς χώρους.

Reinforcement learning (RL) is a machine learning paradigm where agents learn to make decisions by interacting with an environment. In robotics, RL enables autonomous systems to develop adaptive control and decision-making capabilities through experience and feedback.

This instructor-led, live training (online or onsite) is aimed at advanced-level machine learning engineers, robotics researchers, and developers who wish to design, implement, and deploy reinforcement learning algorithms in robotic applications.

By the end of this training, participants will be able to:

• Understand the principles and mathematics of reinforcement learning.
• Implement RL algorithms such as Q-learning, DDPG, and PPO.
• Integrate RL with robotic simulation environments using OpenAI Gym and ROS 2.
• Train robots to perform complex tasks autonomously through trial and error.
• Optimize training performance using deep learning frameworks like PyTorch.

Format of the Course

• Interactive lecture and discussion.
• Hands-on implementation using Python, PyTorch, and OpenAI Gym.
• Practical exercises in simulated or physical robotic environments.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

OpenCV is an open-source computer vision library that enables real-time image processing, while deep learning frameworks such as TensorFlow provide the tools for intelligent perception and decision-making in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers, computer vision practitioners, and machine learning engineers who wish to apply computer vision and deep learning techniques for robotic perception and autonomy.

By the end of this training, participants will be able to:

• Implement computer vision pipelines using OpenCV.
• Integrate deep learning models for object detection and recognition.
• Use vision-based data for robotic control and navigation.
• Combine classical vision algorithms with deep neural networks.
• Deploy computer vision systems on embedded and robotic platforms.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using OpenCV and TensorFlow.
• Live-lab implementation on simulated or physical robotic systems.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Αυτή η εκπαίδευση από εξειδικευμένο ιδρυτή σε Λευκωσία (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.

ROS 2 (Robot Operating System 2) is an open-source framework designed to support the development of complex and scalable robotic applications.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers and developers who wish to implement autonomous navigation and SLAM (Simultaneous Localization and Mapping) using ROS 2.

By the end of this training, participants will be able to:

• Set up and configure ROS 2 for autonomous navigation applications.
• Implement SLAM algorithms for mapping and localization.
• Integrate sensors such as LiDAR and cameras with ROS 2.
• Simulate and test autonomous navigation in Gazebo.
• Deploy navigation stacks on physical robots.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using ROS 2 tools and simulation environments.
• Live-lab implementation and testing on virtual or physical robots.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Αυτή η εκπαίδευση με ειδικό διδάσκοντα σε Λευκωσία (online ή offline) προσβλέπει σε συμμετέχοντες επίπεδου μέσω και επιθυμούν να βελτιώσουν τις δεξιότητές τους στον σχεδιασμό, προγραμματισμό και εγκατάσταση ιντελίγκτ μηχανικών συστημάτων για αυτοματοποίηση και πέρα.

Από το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Καταλάβουν τους αρχές της Physical AI και τις εφαρμογές της στους ρομπότ και την αυτοματοποίηση.
• Σχεδιάζουν και προγραμματίζουν ιντελίγκτ μηχανικά συστήματα για δυναμικά περιβάλλοντα.
• Εφαρμόζουν AI μοντέλα για αυτόνομη λήψη αποφάσεων σε ρομπότ.
• Χρησιμοποιούν εργαλεία προσομοίωσης για το δοκιμαστικό και τη βελτίωση ρομπότ.
• Αντιμετωπίζουν προβλήματα όπως η συγχώνευση αισθητήρων, το εφεξής προσεγγιστικό και η ενέργεια.

Η ρομποτική είναι μια περιοχή της τεχνητής νοημοσύνης (ΤΝ) που ασχολείται με την προγραμματισμό και σχεδιασμό έξυπνων και αποδοτικών μηχανών.

Αυτή η εκπαιδευτική δραστηριότητα υπό την καθοδήγηση εκπαιδευτή (online ή on-site) απευθύνεται σε μηχανικούς που θέλουν να προγραμματίζουν και να δημιουργούν ρομπότ μέσω βασικών μεθόδων ΤΝ.

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

• Εφαρμόζουν φίλτρα (Kalman και particle) για να επιτρέψουν στο ρομπότ να τοποθετήσει κινούμενα αντικείμενα στο περιβάλλον του.
• Εφαρμόζουν αλγόριθμους αναζήτησης και προγραμματισμού κίνησης.
• Εφαρμόζουν ελέγχους PID για να ρυθμίζουν την κίνηση του ρομπότ σε ένα περιβάλλον.
• Εφαρμόζουν αλγόριθμους SLAM για να επιτρέψουν στο ρομπότ να δημιουργήσει τοποθεσίες άγνωστων περιβάλλοντων.

Μορφή της Κατεύθυνσης

• Διαδραστικός διάλογος και συζήτηση.
• Πολλά ασκήματα και πρακτική εξάσκηση.
• Εφαρμογή χειρονικών συστημάτων σε ενεργό lab περιβάλλον.

Επιλογές Παροχής Κατεύθυνσης

• Για να αιτηθείτε μια προσαρμοσμένη κατεύθυνση γι' αυτή την εκπαίδευση, παρακαλώ επικοινωνήστε μαζί μας για να διοργανώσετε.

Σε αυτή τη διδασκαλία με επιμέλεια εξερευνητή σε Λευκωσία (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 εξομοίωση σε ύφηγόμενα μάθητα (διαδικτύου ή υποχρεωτικά), οι συμμετέχοντες θα μάθουν τις διάφορες τεχνολογίες, πλαισίων και τεχνικές για τη πρόγραμμα διαφορετικών είδων ρομπότ να χρησιμοποιηθούν στο πεδίο της πυρηνικής τεχνολογίας και των περιβαλλοντικών συστημάτων.

Η 4-εβδομαδιαία διατέλεστη εξομοιωτήρια είναι για 5 μέρες την εβδομάδα. Κάθε μέρα διαρκεί 4 ώρες και περιλαμβάνει λήψεις, συζητήσεις και αυτοπρόσωπη ανάπτυξη ρομπότ μέσα σε ένα περιβάλλον εξεγήγησης. Οι συμμετέχοντες θα πρακτικοποιήσουν τον αποκτημένο γνώση μέσω επιχειρήσεων στον καθημερινό χώρο.

Το προσδιορισμένο αντικείμενο για αυτή τη διάτλεση εξομοίωσης θα υποβληθεί σε 3D πρόγραμμα πρότυπου. Το κώδικα θα φορτωθεί μέσα σε εναλλακτικά υλικά (Arduino ή αλλο) για την τελική δοκιμή. Το ROS (Robot Operating System) πλαισίων ανοιχτού κώδικα, C++ και Python θα χρησιμοποιηθούν για την πρόγραμμα του ρομπότ.

Τέλος αυτής της εξομοίωσης, οι συμμετέχοντες θα μπορούν να:

• Συνειδητοποιήσουν τις βασικές αξίες χρησιμοποιούμενες στις ρομπότ περιβάλλοντα.
• Συνειδητοποιήσουν και διαχειρίζονται τη σύγκρουση μεταξύ λογισμικού και υλικά σε ένα ρομπότ περιβάλλον.
• Συνειδητοποιήσουν και εφαρμόζουν τα λογισμικά στοιχεία που υποβάλλονται ρομπότ.
• Βοηθήστε και λειτουργήστε μέσω προτύπωσης μηχανικός ρομπότ που μπορεί να δει, αισθάνεται, εξάλειψη, οδήγηση και διαλογών συνήθεις μέσω φωνή.
• Συνειδητοποιήσουν τους απαραίτητους παράγοντες της νευρωνικών υπολογιστών (μηχανική μάθηση, βαθύ μάθηση κλπ.) αξίζει στην κατασκευή ένας νουκλεαρές ρομπότ.
• Εφαρμόζουν φίλτρα (Kalman και Particle) για τη δημιουργία των ρομπότ να περιγράψει κινητές αντικείμενα στην οικονομία.
• Εφαρμόζουν υπολογιστικά και πλάνα κίνησης.
• Εφαρμόζουν συστήματα PID για να διαχειρίζεται μια ρομπότ το κίνηση εντός περιβάλλον.
• Εφαρμόζουν SLAM υπολογιστικά για να διαχειρίζεται μια ρομπότ να αναδημιουργήσει ένας αγνωστος περιβάλλον.
• Δοκιμάζει και διάσπαση μια ρομπότ σε εξωφυλίδιες περιστάσεις.

Τύπος της Διάτλεσης Πιο ανακεφαλαιώσεις και συζητήσεις. Συχνές εξόδου και πρακτικές. Αποστάσεις πρότυπωσης μέσα σε ένα εξεγήγησης περιβάλλον.Σχετικά το υλικά Τα αρχεία κιτ θα προσδιοριστούν μέσω του διδάσκοντας πριν την εξομοίωση. Κιτ θα συνιστώνται γενικά από το εξής στοιχεία: Arduino καρτέλα Ελιγμός διαχειριστής Απόσταση υπολογιστή Bluetooth slave Πρωτοτύπωση καρτέλα και μυνήματα USB κλίπ Vehicle kit Οι συμμετέχοντες θα χρειάζεται να προβληθούν τους δικός τους μαχήρων.Προσαρμογή της Διατέλεστη Για να προσαρμοστεί οποιοδήποτε τμήμα αυτής της διάτλεσης (πρόγραμμα μέσω, ρομβότ τύπος, μικροελεγχόμενου κλπ.) παρακαλώ επικοινωνήστε μας για να θέσετε. Πρόγραμμα είδη C ή C++ Πρόγραμμα είδη Python (χρήσιμο αλλά όχι απαραίτητο; μπορεί να διδαχθεί ως μέρος της διάτλεση) Τυπική πρόγραμμα είδη Linux κομνάντΠελάτες Λογισμικού Εφαρμογέα Πολυτεχνικών Επιστήμονες ΤεχνικάΕβδομά 01Ημέρα 01Εισαγωγή Τι κάνει ένα ρομπότ είναι τυχαίο;Μηχανικός αντιλήψεις σεβράμινιο Εξυπνές ρομπότ, ξεσπάσματα μηχανές, νουσίδια μηχανών και ρομπότ προσωπική αυτοκίνηση (RPA) κλπ.Το ρόλο της Νεύρωνων υπολογιστών (AI) σε Ρομπότ Πέρα από "if-then-else" και τη μάθηση μηχανής Τα υπολογιστικά πίσω από AI Μηχανική μάθηση, εικασία κομβών, φυσική γλώσσα (NLP) κλπ. Γνωστικές ρομπότΗμέρα 02Το ρόλο της Μεγάλου Δεδομένων σε ρομπότ Απόφαση βασισμένη σε δεδομένα και μορφέςΤο Όυστρο και ρομβότ Σύνδεση ρομπότ με IT Βουλή της πιο σημαντικά ρομπότ που εγκαθίσταται με περισσότερη πληροφορία και αναδιαβαθμώνειΜέτωπα Συλλογή: Διαχειριστές ρομπότ Μηχανικός ρομπότ Baxter Ρομπότ σε πυρηνικών και περιβάλλοντα συστήματαΗμέρα 03Τα Υλικά μελη του ρομπότ Ελιγμός, κατανοητά, μικροελεγχόμενου, ασυλό αφήνει, κλπ.Τα Κοινούς στοιχείων ρομβότ Υπολογιστικά εικασίας, φωνη για αναγνώριση και τυποποίηση παραμεθέξεις και ισχύος αισθήσεις, κλπ.Ημέρα 04Πλαίσια Διάθεσης για την πρόγραμμα ρομβότ Ανοιχτά με κωδικό και εμπορικά πλαίσια Robot Operating System (ROS) Πλάτων: workspace, topics, messages, services, nodes, actionlibs, tools, κλπ.Γλώσσες για την πρόγραμμα ρομβότ C++ για χαμηλό επίπεδο διαχείριση Python για ορχηστρά αποθήκευσης πρόγραμμα ROS nodes σε Python και C ++ άλλων λέξεωνΗμέρα 05Εργαλεία για το ρομβότ προτύπωσης Εμπορικά και ανοιχτά με κωδικό 3D πρότυπωσης και εξέγησης λογισμικούΕργαλεία για τη διαθέσιμο χαρακτηριστικά μια ρομπότ Εμπορικά και ανοιχτά CAD λογισμικούΜέτωπα Συλλογή: Μηχανικός ρομβότ Ρομβότ σε πυρηνική τεχνολογίας πεδίου Ρομβότ σε περιβαλλοντικά συστήματαΕβδομά 02Ημέρα 06Ραψωδία μέσω Python Λογισμικό εγκαθίδρυση και setup χρήσιμους πακέτες και utilities Απολύτρωση μέσω Python στοιχεία, λειτουργία, ταξινόμηση, αιτήσεις, methods, κλπ. Κατάθεση ένα παράδειγμα πρόγραμμα Δούμε το team projectΗμέρα 07Ετοιμασία για ρομβότ ανάπτυξης Πρόγραμμα διατάξεις (π.χ., Arduino IDE) Εξέλιξη της Arduino γλώσσας (C/C++) syntax κώδικα, ανάπτυξη και upload στο μικροελεγχόμενου Σύνθεση των υλικά μέλων Arduino robotΗμέρα 08Εξάλειψη μέσω Arduino μελών Analog ανταποκρίνεται Digital ανταποκρίνεταιΕξάλειψη μέσω Arduino Συμβουλευτής Bluetooth Modules Wi-Fi Modules RFID Modules I2C και SPI Mobile internetΗμέρα 09Πολυπλοκότητα ρομβότ Προγράμμασε τα χαρακτηριστικά και παράγοντες μιας ρομπότ εφαρμογή ρομβότ οδήγησηςTeam project Διάλογο και αξιολόγησηΗμέρα 10Διαχείριση του ρομπότ εφαρμογή τον διαχειριστής Εξάλειψη μέσω ρομβότ (wired και wirelessly)Team Project Διάλογο και αξιολόγησηΕβδομά 03Ημέρα 11Πρόγραμμα ρομπότ προτύπωση ένας robot με Gazebo / ROS συνειδήση ROS node πρόγραμμα ενός node σε Python και C ++ Messages and topics σε ROS Publication / subscription paradigmTeam Project Bump & Go μέσω αληθινού ρομβότ Διάλογο και αξιολόγησηΗμέρα 12Πρόγραμμα ρομπότ (διευκρινίζει...) Frames σε ROS και reference παραλλαγής 2D εξάλειψη οχημάτων μέσω OpenCV Πληροφορία πληροφορίας από μια λέσχηTeam Project Ασφαλή ακολουθούντες αντικείμενα χρώματα Διάλογο και αξιολόγησηΗμέρα 13Δοκιμή του ρομπότ Εργαλεία για τη δοκιμή του πρόγραμμα σας Unit testing Δημιουργία ενός test suite Αυτομάτηση των δοκιμών σας DebuggingTeam Project Ασφαλή ακολουθούντες αντικείμενα χρώματα Διάλογο και αξιολόγησηΗμέρα 14Πρόγραμμα ρομπότ (διευκρινίζει...) Services σε ROS 3D εξάλειψη οχημάτων μέσω PCL Maps και περιφοράς με τους ROSΗμέρα 15Πρόγραμμα ρομπότ (διευκρινίζει...) Αντιμετώπιση πράξεων με ActionLibTeam Project Αναζήτηση αντικειμένων στο περιβάλλονΕβδομά 04Ημέρα 16Πρόγραμμα ρομπότ (διευκρινίζει...) Αντιμετώπιση πράξεων με ActionLibΗμέρα 17Πρόγραμμα ρομπότ (διευκρινίζει...) Αναγνώριση φωνής και γέννηση φωνής DebuggingTeam Project Διαχείριση μια ρομβότ μέσω φωνήςΗμέρα 18Πρόγραμμα ρομπότ (διευκρινίζει...) Διαχείριση robotic arms με του MoveIt! Διαχείριση robotic neck για δυναμική vision DebuggingTeam Project Αναζήτηση και συλλογή αντικειμένωνΗμέρα 19Αποθήκευση ρομβότ Εξάλειψη μέσω ρομβότ στο πραγματικό κόσμο Δορυφορία και υπηρεσία ρομπότ μέσα στο πεδίο Χρήση mobile app για να διαχειρίζεται μια ρομβότΣτήριξη του ρομπότ Πρόληψη αθωά έγκλημα Πρόληψη hackers από να δει και να παίρνουν ευαίσθητο πληροφορίαςΗμέρα 20Ανάλυση Δεδομένων Συλλογή και συνορισμός δεδομένων που παραχθεί μέσω του ρομβότ Η γνώση που αφορά την πληροφορία κινήσης μέσω tools και διαδικασίες εξεγήγησηςΔιατύπωση ρομβότ συνεργασία Διατύπωση μέσω cloud robot Διατύπωση mobile app για να διαλέγει το πρόγραμμά σας ρομβότ Συνδέστε στην κοινότητα roboticaΜελέτη για το μέλλον των ρομπότ προς το πεδίο της επιστήμης και οξυδίωσηςΕπεξεργασία και Συμπεράσμα

Αυτή η εκπαίδευση με καθηγητή, ζωντανά σε Λευκωσία (online ή on-site), απευθύνεται σε μηχανικούς που επιθυμούν να μάθουν για την εφαρμοσιμότητα της τεχνητής νοημοσύνης στα συστήματα μηχατρονικής.

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

• Να κατανοήσουν γενικά την τεχνητή νοημοσύνη, τη μηχανική μάθηση και την υπολογιστική νοημοσύνη.
• Να κατανοήσουν τα εννοιώδη στοιχεία των νευρωνικών δικτύων και των διαφορετικών μεθόδων μάθησης.
• Να επιλέγουν αποτελεσματικά προσεγγίσεις τεχνητής νοημοσύνης για πραγματικά προβλήματα.
• Να εφαρμόζουν εφαρμογές τεχνητής νοημοσύνης στη μηχατρονική μηχανική.