Formation Autonomous Navigation & SLAM with ROS 2

La robotique est un domaine de l'intelligence artificielle (IA) qui traite de la programmation et du design d'appareils intelligents et efficaces.

Cette formation dirigée par un instructeur, en ligne ou sur site, est destinée aux ingénieurs souhaitant programmer et créer des robots à l'aide de méthodes d'IA basiques.

À la fin de cette formation, les participants seront capables de :

• Implémenter des filtres (Kalman et particulaire) pour permettre au robot de localiser des objets en mouvement dans son environnement.
• Implémenter des algorithmes de recherche et de planification de mouvements.
• Implémenter des contrôles PID pour réguler le mouvement d'un robot dans un environnement.
• Implémenter des algorithmes SLAM pour permettre à un robot de cartographier un environnement inconnu.

Format du cours

• Cours interactif avec discussion et démonstration.
• De nombreux exercices et pratiques.
• Mise en œuvre pratique dans un environnement de laboratoire en direct.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Dans cette formation en direct avec formateur (en ligne ou sur site), les participants apprendront différentes technologies, cadres de travail et techniques pour programmer différents types de robots à utiliser dans le domaine des technologies nucléaires et des systèmes environnementaux.

Le cours de 6 semaines se déroule 5 jours par semaine. Chaque journée dure 4 heures et comprend des conférences, des discussions et un développement robotique pratique dans un environnement de laboratoire en direct. Les participants complètent divers projets du monde réel applicables à leur travail afin de pratiquer leurs connaissances acquises.

Le matériel cible pour ce cours sera simulé en 3D via des logiciels de simulation. Le cadre open-source ROS (Robot Operating System), C++ et Python seront utilisés pour programmer les robots.

À la fin de cette formation, les participants seront capables de :

• Comprendre les concepts clés utilisés dans les technologies robotiques.
• Comprendre et gérer l'interaction entre le logiciel et le matériel dans un système robotique.
• Comprendre et mettre en œuvre les composants logiciels qui sous-tendent la robotique.
• Construire et faire fonctionner un robot mécanique simulé capable de voir, percevoir, traiter, naviguer et interagir avec les humains par le biais du son.
• Comprendre les éléments nécessaires de l'intelligence artificielle (apprentissage automatique, apprentissage profond, etc.) applicables à la construction d'un robot intelligent.
• Mettre en œuvre des filtres (Kalman et particules) pour permettre au robot de localiser les objets en mouvement dans son environnement.
• Mettre en œuvre des algorithmes de recherche et de planification du mouvement.
• Mettre en œuvre le contrôle PID pour réguler le mouvement d'un robot dans un environnement.
• Mettre en œuvre les algorithmes SLAM pour permettre au robot de cartographier un environnement inconnu.
• Étendre la capacité d'un robot à effectuer des tâches complexes via l'apprentissage profond.
• Tester et dépanner un robot dans des scénarios réalistes.

Dans cette formation en direct animée par un formateur à distance ou sur site, les participants apprendront différentes technologies, cadres et techniques de programmation pour différents types de robots utilisés dans le domaine de la technologie nucléaire et des systèmes environnementaux.

Cette formation de 4 semaines se déroule du lundi au vendredi. Chaque journée est de 4 heures et comprend des conférences, des discussions et un développement robotique pratique dans un environnement de laboratoire en direct. Les participants complètent divers projets applicables à leur travail afin de mettre en pratique leurs connaissances acquises.

Le matériel cible pour cette formation sera simulé en 3D par des logiciels de simulation. Le code sera ensuite chargé sur du matériel physique (Arduino ou autre) pour les tests de déploiement final. Le cadre open source ROS (Robot Operating System), C++ et Python seront utilisés pour programmer les robots.

À la fin de cette formation, les participants seront capables de :

• Comprendre les concepts clés utilisés dans les technologies robotiques.
• Comprendre et gérer l'interaction entre logiciel et matériel dans un système robotique.
• Comprendre et mettre en œuvre les composants logiciels sous-jacents aux robots.
• Construire et opérer un robot mécanique simulé capable de voir, percevoir, traiter, naviguer et interagir avec des humains par la voix.
• Comprendre les éléments nécessaires de l'intelligence artificielle (apprentissage automatique, apprentissage profond, etc.) applicables à la construction d'un robot intelligent.
• Mettre en œuvre des filtres (Kalman et particules) pour permettre au robot de localiser les objets mobiles dans son environnement.
• Mettre en œuvre des algorithmes de recherche et de planification du mouvement.
• Mettre en œuvre des contrôles PID pour réguler le déplacement d'un robot au sein d'un environnement.
• Mettre en œuvre des algorithmes SLAM pour permettre à un robot de cartographier un environnement inconnu.
• Tester et dépanner un robot dans des scénarios réalistes.

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.

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.

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.