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 versus basées sur l'apprentissage
- L'apprentissage profond dans la perception, la planification et le contrôle
Perception pour la Manipulation
- Sensation visuelle et détection d'objets pour la prise
- Vision 3D, capteurs de profondeur et traitement de nuages de points
- Formation de CNNs pour la localisation et le segmention d'objets
Planification et Détection des Prises
- Algorithmes classiques de planification de prises
- Apprentissage de poses de prises à partir de données et de simulations
- Mise en œuvre des réseaux de détection de prises (par exemple, GGCNN, Dex-Net)
Contrôle et Planification de Mouvements
- Cinématique inverse et génération de trajectoires
- Planification de 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 le contrôle en temps réel
Apprentissage d'Extrémité à Extrémité pour la Manipulation
- Combinaison de perception, de politique et de 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 prise
- Tests sous des conditions variées et des perturbations
- Compression de modèles et déploiement sur des dispositifs à la périphérie
Projet Pratique : Prise Robotique Basée sur l'Apprentissage Profond
- Conception d'un pipeline de perception à action
- Formation et test d'un modèle de détection de prises
- Intégration du modèle dans un bras robotique simulé
Résumé et Prochaines Étapes
Pré requis
- Compréhension solide de la cinématique et de la dynamique des robots
- Expérience avec Python et les frameworks d'apprentissage profond
- Familiarité avec ROS ou une autre middleware robotique similaire
Public Cible
- Ingénieurs en robotique développant des systèmes de manipulation intelligents
- Spécialistes en perception et contrôle travaillant sur les applications de prise
- Chercheurs et praticiens avancés dans l'apprentissage robotique et le 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