Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
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
Erfahrungsberichte (2)
Bereitstellung der Materialien (virtuelle Maschine), um direkt mit den Übungen zu beginnen, sowie Erläuterung der ROS2-Kernkonzepte. Warum bestimmte Dinge auf eine bestimmte Weise funktionieren.
Arjan Bakema
Kurs - Autonomous Navigation & SLAM with ROS 2
Maschinelle Übersetzung
sein Wissen und die Nutzung von KI für Robotik in der Zukunft.
Ryle - PHILIPPINE MILITARY ACADEMY
Kurs - Artificial Intelligence (AI) for Robotics
Maschinelle Übersetzung