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
- Aperçu des tâches de manipulation et des composants du système
- Approches traditionnelles par rapport aux approches basées sur l'apprentissage
- L'apprentissage profond dans la perception, la planification et le contrôle
Perception pour la manipulation
- Détection visuelle et d'objets pour la préhension
- Vision 3D, détection de profondeur et traitement de nuages de points
- Entraînement des CNN pour la localisation et la segmentation d'objets
Planification et détection de préhension
- Algorithmes classiques de planification de préhension
- Apprentissage des postures de préhension à partir de données et de simulations
- Mise en œuvre de réseaux de détection de préhension (p. ex., 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 la manipulation
Intégration avec ROS 2 et les environnements de simulation
- Configuration de 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 la simulation et le matériel réel
Évaluation et optimisation
- Métriques pour la réussite, la stabilité et la précision de la préhension
- Tests dans des conditions et des perturbations variables
- Compression de modèles et déploiement sur des périphériques périphériques
Projet pratique : Préhension robotique basée sur l'apprentissage profond
- Conception d'une chaîne de traitement de la perception à l'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 cadres d'apprentissage profond
- Familiarité avec ROS ou un middleware robotique similaire
Public cible
- Ingénieurs en robotique développant des systèmes de manipulation intelligents
- Spécialistes en perception et 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