Prenez contact avec nous
 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

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires