Kontakt aufnehmen

Schulungsübersicht

Einführung in die roboter­technische Manipulation und in das Deep Learning

  • Überblick über Manipulations­aufgaben und Systemkomponenten
  • Klassische Ansätze versus lernbasierte Ansätze
  • Deep Learning in Wahrnehmung, Planung und Steuerung

Wahrnehmung für die Manipulation

  • Visuelle Erfassung und Objekterkennung zum Greifen
  • 3D-Vision, Tiefen­ermittlung und Punkt­wolken­verarbeitung
  • Training von CNNs zur Objekt­lokalisierung und Segmentierung

Greif­planung und -erkennung

  • Klassische Greif­planungs­algorithmen
  • Lernen von Greif­posen aus Daten und Simulationen
  • Implementierung von Greif­erkennungs­netzen (z. B. GGCNN, Dex-Net)

Steuerung und Bewegungs­planung

  • Umgekehrte Kinematik und Trajektorien­generierung
  • Lernbasierte Bewegungs­planung und Imitations­lernen
  • Bestärkungs­lernen für Manipulations­steuerungs­strategien

Integration mit ROS 2 und Simulations­umgebungen

  • Einrichtung von ROS-2-Knoten für Wahrnehmung und Steuerung
  • Simulation von Roboter­manipulatoren in Gazebo und Isaac Sim
  • Integration neuronaler Modelle für die Echtzeit­steuerung

End-to-End-Lernen für die Manipulation

  • Kombination von Wahrnehmung, Strategie und Steuerung in einheitlichen Netzen
  • Nutzung von Demonstrations­daten für das überwachtes Policy-Lernen
  • Domänen­anpassung zwischen Simulation und realer Hardware

Evaluation und Optimierung

  • Metriken für Greif­erfolg, Stabilität und Präzision
  • Testung unter variierenden Bedingungen und Störungen
  • Modell­komprimierung und Bereitstellung auf Edge-Geräten

Praktisches Projekt: Roboter­greifen auf Basis von Deep Learning

  • Gestaltung einer Pipeline von der Wahrnehmung zur Aktion
  • Training und Testung eines Greif­erkennungs­modells
  • Integration des Modells in einen simulierten Roboter­arm

Voraussetzungen

  • Ständiges Verständnis der robotertechnischen Kinematik und Dynamik
  • Erfahrung mit Python und Deep-Learning-Frameworks
  • Vertrautheit mit ROS oder ähnlichen roboter­technischen Middleware-Lösungen

Zielgruppe

  • Robotik-Ingenieurinnen und -Ingenieure, die intelligente Manipulations­systeme entwickeln
  • Spezialistinnen und Spezialisten für Wahrnehmung und Steuerung, die an Greif­anwendungen arbeiten
  • Forschende und fortgeschrittene Praktiker in der Robotik-Lernforschung und der KI-basierten Steuerung
 28 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien