Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a la manipulación robótica y el deep learning
- Vista general de las tareas de manipulación y los componentes del sistema
- Enfoques tradicionales vs. enfoques basados en aprendizaje
- Deep learning en percepción, planificación y control
Percepción para la manipulación
- Detección visual y de objetos para la aprehensión
- Visión 3D, detección de profundidad y procesamiento de nubes de puntos
- Entrenamiento de CNN para la localización y segmentación de objetos
Planificación y detección de aprehensiones
- Algoritmos clásicos de planificación de aprehensiones
- Aprendizaje de poses de aprehensión a partir de datos y simulación
- Implementación de redes de detección de aprehensiones (p. ej., GGCNN, Dex-Net)
Control y planificación de movimientos
- Cinemática inversa y generación de trayectorias
- Planificación de movimientos basada en aprendizaje y aprendizaje por imitación
- Aprendizaje por refuerzo para políticas de control de manipulación
Integración con ROS 2 y entornos de simulación
- Configuración de nodos ROS 2 para percepción y control
- Simulación de manipuladores robóticos en Gazebo e Isaac Sim
- Integración de modelos neuronales para el control en tiempo real
Aprendizaje de extremo a extremo para la manipulación
- Combining percepción, política y control en redes unificadas
- Uso de datos de demostración para el aprendizaje supervisado de políticas
- Adaptación de dominio entre simulación y hardware real
Evaluación y optimización
- Métricas de éxito, estabilidad y precisión en la aprehensión
- Pruebas bajo condiciones variables y perturbaciones
- Compresión de modelos y despliegue en dispositivos de borde
Proyecto práctico: Aprehensión robótica basada en Deep Learning
- Diseño de una pipeline de percepción a acción
- Entrenamiento y prueba de un modelo de detección de aprehensiones
- Integración del modelo en un brazo robótico simulado
Requerimientos
- Sólido conocimiento de la cinemática y dinámica de la robótica
- Experiencia con Python y marcos de trabajo de deep learning
- Familiaridad con ROS o middleware robóticos similares
Público
- Ingenieros en robótica que desarrollan sistemas de manipulación inteligentes
- Especialistas en percepción y control que trabajan en aplicaciones de aprehensión
- Investigadores y profesionales avanzados en aprendizaje robótico y control basado en IA
28 Horas
Reseñas (2)
Suministro de los materiales (máquina virtual) para comenzar directamente con los ejercicios y explicación del núcleo de ROS2. Por qué las cosas funcionan de cierta manera.
Arjan Bakema
Curso - Autonomous Navigation & SLAM with ROS 2
Traducción Automática
su conocimiento y utilización de la IA para la robótica en el futuro.
Ryle - PHILIPPINE MILITARY ACADEMY
Curso - Artificial Intelligence (AI) for Robotics
Traducción Automática
