Prenez contact avec nous

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

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires