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, détection de profondeur et traitement des nuages de points
  • Entraînement de CNNs pour la localisation et la segmentation d'objets

Planification et détection de préhension

  • Algorithmes classiques de planification de préhension
  • Apprentissage des poses de préhension à partir de données et de simulations
  • Mise en œuvre de réseaux de détection de préhension (par exemple, 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 manipulation

Intégration avec ROS 2 et 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 le 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 de succès, de stabilité et de précision de la préhension
  • Tests dans des conditions variées et perturbations
  • Compression de modèle et déploiement sur des appareils edge

Projet pratique : préhension robotique basée sur l'apprentissage profond

  • Conception d'un pipeline de perception à l'action
  • Entraînement et test d'un modèle de détection de préhension
  • Intégration du modèle dans un bras robotique simulé

Résumé et prochaines étapes

Pré requis

  • Bonne compréhension de la cinématique et de la dynamique robotiques
  • Expérience avec Python et les frameworks d'apprentissage profond
  • Familiarité avec ROS ou un middleware robotique similaire

Audience

  • Ingénieurs robotiques 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 commande basée sur l'IA
 28 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires