Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in robotische Manipulation und Deep Learning
- Überblick über Manipulationsaufgaben und Systemkomponenten
- Traditionelle vs. lernbasierte Ansätze
- Deep Learning in Wahrnehmung, Planung und Steuerung
Wahrnehmung für Manipulation
- Visuelle Sensorik und Objekterkennung für das Greifen
- 3D-Vision, Tiefensensorik und Point-Cloud-Verarbeitung
- Training von CNNs für Objektlokalisierung und Segmentierung
Greifplanung und -erkennung
- Klassische Greifplanungsalgorithmen
- Lernen von Greifposen aus Daten und Simulation
- Implementierung von Greiferkennungsnetzen (z. B. GGCNN, Dex-Net)
Steuerung und Bewegungsplanung
- Inverse Kinematik und Trajektoriengenerierung
- Lernbasierte Bewegungsplanung und Imitation Learning
- Reinforcement Learning für Manipulationssteuerungsstrategien
Integration mit ROS 2 und Simulationsumgebungen
- Einarichtung von ROS 2-Knoten für Wahrnehmung und Steuerung
- Simulation von robotischen Manipulatoren in Gazebo und Isaac Sim
- Integration neuronaler Modelle für Echtzeit-Steuerung
End-to-End-Lernen für Manipulation
- Kombination von Wahrnehmung, Strategie und Steuerung in einheitlichen Netzen
- Nutzung von Demonstrationsdaten für supervidiertes Policy-Learning
- Domänenanpassung zwischen Simulation und realer Hardware
Evaluierung und Optimierung
- Metriken für Greiferfolg, Stabilität und Präzision
- Tests unter variierenden Bedingungen und Störungen
- Modellkompression und Bereitstellung auf Edge-Geräten
Praktisches Projekt: Deep-Learning-basiertes robotisches Greifen
- Gestaltung einer Wahrnehmungs- bis Aktions-Pipeline
- Training und Testen eines Greiferkennungsmodells
- Integration des Modells in einen simulierten Roboterarm
Voraussetzungen
- Grundlegendes Verständnis der Robotik-Kinematik und -Dynamik
- Erfahrung mit Python und Deep-Learning-Frameworks
- Vertrautheit mit ROS oder ähnlicher Robotik-Middleware
Zielgruppe
- Robotik-Ingenieure, die intelligente Manipulationssysteme entwickeln
- Spezialisten für Wahrnehmung und Steuerung, die an Greifanwendungen arbeiten
- Forscher und fortgeschrittene Praktiker im Robot Learning und KI-basierten Control
28 Stunden
Erfahrungsberichte (2)
Bereitstellung der Materialien (virtuelle Maschine), um direkt mit den Übungen zu beginnen, sowie Erläuterung der ROS2-Kernkonzepte. Warum bestimmte Dinge auf eine bestimmte Weise funktionieren.
Arjan Bakema
Kurs - Autonomous Navigation & SLAM with ROS 2
Maschinelle Übersetzung
sein Wissen und die Nutzung von KI für Robotik in der Zukunft.
Ryle - PHILIPPINE MILITARY ACADEMY
Kurs - Artificial Intelligence (AI) for Robotics
Maschinelle Übersetzung