Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 28 heures
Plan du cours
Introduction à la manipulation robotique et à l'apprentissage profond
- Aperçu des tâches de manipulation et des composants du système
- Approches traditionnelles par rapport aux approches basées sur l'apprentissage
- Apprentissage profond dans la perception, la planification et le contrôle
Perception pour la manipulation
- Détection visuelle et détection d'objets pour la préhension
- Vision 3D, détection de profondeur et traitement de nuages de points
- Entraînement de CNN pour la localisation et la segmentation d'objets
Planification et détection de la préhension
- Algorithmes classiques de planification de la préhension
- Apprentissage des poses de préhension à partir de données et de simulations
- Mise en œuvre de réseaux de détection de la préhension (par exemple, GGCNN, Dex-Net)
Contrôle et planification de mouvement
- Cinématique inverse et génération de trajectoires
- Planification de mouvement basée sur l'apprentissage et apprentissage par imitation
- Apprentissage par renforcement pour les politiques de contrôle de manipulation
Intégration avec ROS 2 et environnements de simulation
- Configuration des nœuds ROS 2 pour la perception et le contrôle
- Simulation de manipulateurs robotiques dans Gazebo et Isaac Sim
- Intégration de modèles neuroniques pour un contrôle en temps réel
Apprentissage fin en fin pour la manipulation
- Combinaison de la perception, de la politique et du contrôle dans des réseaux unifiés
- Utilisation de données de démonstration pour l'apprentissage de politiques supervisé
- Adaptation de domaine entre la simulation et le matériel réel
Évaluation et optimisation
- Métriques pour le succès de la préhension, la stabilité et la précision
- Test dans des conditions variées et en présence de perturbations
- Compression de modèles et déploiement sur des périphériques edge
Projet pratique : Préhension robotique basée sur l'apprentissage profond
- Conception d'un pipeline de la perception à l'action
- Entraînement et test d'un modèle de détection de la préhension
- Intégration du modèle dans un bras robotique simulé
Pré requis
- Compréhension solide de la cinématique et de la dynamique des robots
- Expérience avec Python et les cadres de travail d'apprentissage profond
- Familiarité avec ROS ou un middleware robotique similaire
Public cible
- Ingénieurs en robotique développant des systèmes de manipulation intelligents
- Spécialistes de la perception et du contrôle travaillant sur des applications de préhension
- Chercheurs et praticiens avancés en apprentissage robotique et en contrôle basé sur l'IA
Nos clients témoignent (2)
Fourniture des matériels (machine virtuelle) pour passer directement aux exercices, et explication des fondamentaux de ROS2. Comprendre pourquoi les choses fonctionnent d'une manière particulière.
Arjan Bakema
Formation - Autonomous Navigation & SLAM with ROS 2
Traduction automatique
ses connaissances et son utilisation de l'IA pour la robotique dans le futur.
Ryle - PHILIPPINE MILITARY ACADEMY
Formation - Artificial Intelligence (AI) for Robotics
Traduction automatique