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.
Plan du cours
Introduction à la manipulation robotique et à l'apprentissage profond
- Vue d'ensemble des tâches de manipulation et des composants du système
- Approches traditionnelles vs approches basées sur l'apprentissage
- Apprentissage profond dans la perception, la planification et le contrôle
Perception pour la manipulation
- Sensation visuelle et détection d'objets pour la préhension
- Vision 3D, capteurs 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 simulation
- Mise en œuvre de réseaux de détection de préhension (par ex. GGCNN, Dex-Net)
Contrôle et planification des mouvements
- Cinématique inverse et génération de trajectoires
- Planification des mouvements 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 neuronaux pour un contrôle en temps réel
Apprentissage de bout en bout 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 supervisé de politiques
- Adaptation de domaine entre simulation et matériel réel
Évaluation et optimisation
- Métriques pour le succès, la stabilité et la précision de la préhension
- Tests dans des conditions variées et sous l'effet de perturbations
- Compression de modèles et déploiement sur des périphériques edge
Pratique de terrain : Préhension robotique basée sur l'apprentissage profond
- Conception d'un pipeline perception-vers-action
- Entraînement et test d'un modèle de détection de préhension
- Intégration du modèle dans un bras robotique simulé
Pré requis
- Bonne compréhension de la cinématique et de la dynamique des robots
- Expérience avec Python et les frameworks d'apprentissage profond
- Connaissance de ROS ou d'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 contrôle basé sur l'IA
28 Heures
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