Prenez contact avec nous

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

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires