Prenez contact avec nous

Plan du cours

Introduction à l'Edge AI dans les systèmes autonomes

  • Aperçu de l'Edge AI et de son importance dans les systèmes autonomes
  • Avantages et défis clés de l'implémentation de l'Edge AI dans les systèmes autonomes
  • Tendances actuelles et innovations en Edge AI pour l'autonomie
  • Applications concrètes et études de cas

Traitement en temps réel dans les systèmes autonomes

  • Principes fondamentaux du traitement des données en temps réel
  • Modèles d'IA pour la prise de décision en temps réel
  • Gestion des flux de données et de la fusion de capteurs
  • Exemples pratiques et études de cas

Edge AI dans les véhicules autonomes

  • Modèles d'IA pour la perception et le contrôle des véhicules
  • Développement et déploiement de solutions d'IA pour la navigation en temps réel
  • Intégration de l'Edge AI avec les systèmes de contrôle des véhicules
  • Études de cas d'Edge AI dans les véhicules autonomes

Edge AI dans les drones

  • Modèles d'IA pour la perception et le contrôle de vol des drones
  • Traitement des données en temps réel et prise de décision dans les drones
  • Mise en œuvre de l'Edge AI pour le vol autonome et l'évitement d'obstacles
  • Exemples pratiques et études de cas

Edge AI dans la robotique

  • Modèles d'IA pour la perception et la manipulation robotiques
  • Traitement en temps réel et contrôle dans les systèmes robotiques
  • Intégration de l'Edge AI avec les architectures de contrôle robotique
  • Études de cas d'Edge AI dans la robotique

Développement de modèles d'IA pour les applications autonomes

  • Aperçu des modèles pertinents d'apprentissage automatique et d'apprentissage profond
  • Entraînement et optimisation des modèles pour le déploiement edge
  • Outils et frameworks pour l'Edge AI autonome (TensorFlow Lite, ROS, etc.)
  • Validation et évaluation des modèles dans des contextes autonomes

Déploiement de solutions Edge AI dans les systèmes autonomes

  • Étapes pour déployer des modèles d'IA sur différents matériels edge
  • Traitement des données en temps réel et inférence sur des appareils edge
  • Surveillance et gestion des modèles d'IA déployés
  • Exemples de déploiement pratiques et études de cas

Considérations éthiques et réglementaires

  • Assurer la sécurité et la fiabilité dans les systèmes d'IA autonomes
  • Traiter les biais et l'équité dans les modèles d'IA autonomes
  • Conformité aux réglementations et normes dans les systèmes autonomes
  • Bonnes pratiques pour un déploiement responsable de l'IA dans les systèmes autonomes

Évaluation et optimisation des performances

  • Techniques pour évaluer la performance des modèles dans les systèmes autonomes
  • Outils pour la surveillance et le débogage en temps réel
  • Stratégies pour optimiser la performance des modèles d'IA dans les applications autonomes
  • Traitement des défis de latence, de fiabilité et d'évolutivité

Cas d'utilisation innovants et applications

  • Applications avancées de l'Edge AI dans les systèmes autonomes
  • Études de cas approfondies dans divers domaines autonomes
  • Histoires de succès et enseignements tirés
  • Tendances futures et opportunités en Edge AI pour l'autonomie

Projets pratiques et exercices

  • Développement d'une application Edge AI complète pour un système autonome
  • Projets et scénarios du monde réel
  • Exercices de groupe collaboratifs
  • Présentations de projets et retours d'information

Résumé et prochaines étapes

Pré requis

  • Une compréhension des concepts de l'IA et de l'apprentissage automatique
  • De l'expérience avec des langages de programmation (Python recommandé)
  • Familiarité avec la robotique, les systèmes autonomes ou des technologies connexes

Public cible

  • Ingénieurs en robotique
  • Développeurs de véhicules autonomes
  • Chercheurs en IA
 14 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (1)

Cours à venir

Catégories Similaires