AI for Robotics oktatás Magyarország

Edge AI enables artificial intelligence models to run directly on embedded or resource-constrained devices, reducing latency and power consumption while increasing autonomy and privacy in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level embedded developers and robotics engineers who wish to implement machine learning inference and optimization techniques directly on robotic hardware using TinyML and edge AI frameworks.

By the end of this training, participants will be able to:

• Understand the fundamentals of TinyML and edge AI for robotics.
• Convert and deploy AI models for on-device inference.
• Optimize models for speed, size, and energy efficiency.
• Integrate edge AI systems into robotic control architectures.
• Evaluate performance and accuracy in real-world scenarios.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using TinyML and edge AI toolchains.
• Practical exercises on embedded and robotic hardware platforms.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Reinforcement learning (RL) is a machine learning paradigm where agents learn to make decisions by interacting with an environment. In robotics, RL enables autonomous systems to develop adaptive control and decision-making capabilities through experience and feedback.

This instructor-led, live training (online or onsite) is aimed at advanced-level machine learning engineers, robotics researchers, and developers who wish to design, implement, and deploy reinforcement learning algorithms in robotic applications.

By the end of this training, participants will be able to:

• Understand the principles and mathematics of reinforcement learning.
• Implement RL algorithms such as Q-learning, DDPG, and PPO.
• Integrate RL with robotic simulation environments using OpenAI Gym and ROS 2.
• Train robots to perform complex tasks autonomously through trial and error.
• Optimize training performance using deep learning frameworks like PyTorch.

Format of the Course

• Interactive lecture and discussion.
• Hands-on implementation using Python, PyTorch, and OpenAI Gym.
• Practical exercises in simulated or physical robotic environments.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

OpenCV is an open-source computer vision library that enables real-time image processing, while deep learning frameworks such as TensorFlow provide the tools for intelligent perception and decision-making in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers, computer vision practitioners, and machine learning engineers who wish to apply computer vision and deep learning techniques for robotic perception and autonomy.

By the end of this training, participants will be able to:

• Implement computer vision pipelines using OpenCV.
• Integrate deep learning models for object detection and recognition.
• Use vision-based data for robotic control and navigation.
• Combine classical vision algorithms with deep neural networks.
• Deploy computer vision systems on embedded and robotic platforms.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using OpenCV and TensorFlow.
• Live-lab implementation on simulated or physical robotic systems.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

ROS 2 (Robot Operating System 2) is an open-source framework designed to support the development of complex and scalable robotic applications.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers and developers who wish to implement autonomous navigation and SLAM (Simultaneous Localization and Mapping) using ROS 2.

By the end of this training, participants will be able to:

• Set up and configure ROS 2 for autonomous navigation applications.
• Implement SLAM algorithms for mapping and localization.
• Integrate sensors such as LiDAR and cameras with ROS 2.
• Simulate and test autonomous navigation in Gazebo.
• Deploy navigation stacks on physical robots.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using ROS 2 tools and simulation environments.
• Live-lab implementation and testing on virtual or physical robots.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

A robótika a mesterséges intelligencia (MI) olyan területe, amely intelligens és hatékony gépek programozásával és tervezésével foglalkozik.

Ez az oktató által vezetett élő képzés (online vagy szórlattal) a mérnökökre vonatkozik, akik alapvető mesterséges intelligencia módszerekkel szeretnének programozni és robotokat létrehozni.

A képzés végén a résztvevők képesek lesznek:

• Szűrőket (Kalman- és részecske-) implementálni, hogy a robot találja meg az átjáróban mozgó objektumokat.
• Keresési algoritmusokat és mozdulástervezést implementálni.
• PID szabályozást implementálni, hogy a robot mozgását szabályozni tudja az átjáróban.
• SLAM algoritmusokat implementálni, hogy a robot térképet készítsen egy ismeretlen környezetről.

A képzés formája

• Interaktív előadás és beszélgetés.
• Sok gyakorlat és gyakorló feladat.
• Élő laboratóriumi környezetben történő gyakorlás.

Képzés testreszabási lehetőségei

• Testreszabott képzés kérése esetén kérjük, lépjen kapcsolatba velünk a rendezéshez.

Ez az oktatóvezetésű, élő tanfolyam Magyarország (online vagy helyszíni) keretében a résztvevők megismerhetik a különböző technológiákat, keretrendszereket és technikákat, amelyekkel különböző típusú robotokat lehet programozni az atomtechnológiai és környezeti rendszerek terén való alkalmazáshoz.

A 6 héttel tartó kurzus heti 5 napos. Minden nap 4 órás és előadások, beszélgetések, valamint élő laboratóriumi környezetben történő robotfejlesztésből áll. A résztvevők különböző valós világbeli projekteket fognak végrehajtani, hogy gyakorolják az elsajátított ismeretüket.

A kurzus célhardverét 3D-s szimulációs programmal lehet szimulálni. A ROS (Robot Operating System) nyílt forráskódú keretrendszert, C++-t és Python-t fogják használni a robotok programozásához.

A tanfolyam végére a résztvevők képesek lesznek:

• Megérteni a robottechnológiában használt kulcsfogalmakat.
• Megérteni és kezelni a robotikus rendszerben a szoftver és hardver közötti interakciót.
• Megérteni és implementálni a robotika alapját képező szoftverkomponenseket.
• Létrehozni és működtetni egy szimulált mechanikus robott, amely lát, érzékel, feldolgoz, navigál, és beszéd útján emberrel kommunikál.
• Megérteni az öntudatos robot építéséhez szükséges művészi intelligencia (gép tanulás, mély tanulás stb.) elemeit.
• Implementálni a Kalman és Partikuláris szűrőket, hogy a robot képes legyen mozgó tárgyakat azonosítani környezetében.
• Implementálni kereső algoritmusokat és mozgástervezést.
• Implementálni PID-irányítást a robot mozgásának szabályozására egy környezetben.
• Implementálni SLAM algoritmusokat, hogy a robot képes legyen ismeretlen környezeteket feltérképezni.
• Bővíteni a robot képességeit a mély tanulás segítségével, hogy összetett feladatok végrehajtására képes legyen.
• Tesztelni és hibakeresést végezni egy roboton valós helyzetekben.

Ez az oktatóvezetett, élő (online vagy helyszíni) képzés során a résztvevők megtanulják a különböző technológiákat, keretrendszereket és technikákat, amelyek szükségesek különböző robotok programozására, amelyek a nukleáris technológia és környezeti rendszerek terén használhatók.

A 4 hetes kurzus heti 5 alkalommal tart, minden nap 4 órás, előadásokból, beszélgetésekből és gyakorlati robotfejlesztésből álló élő laboratóriumi környezetben. A résztvevők különböző valós világbeli projekteket végeznek el, amelyek alkalmazhatók munkájukban, hogy gyakorolják a megszerzett tudásukat.

Ez a kurzus célhardverét 3D-s szimulációs szoftverrel szimulálják. A kódot ezután fizikai hardverre (Arduino vagy egyéb) töltik fel a végleges telepítési teszteléshez. A ROS (Robot Operating System) nyílt forráskódú keretrendszer, C++ és Python használatos lesz a robotok programozására.

Ez a képzés végén a résztvevők képesek lesznek:

• Megértik a robotikus technológiák kulcsfontosságú fogalmait.
• Megértik és kezelhetik a szoftver és hardver közötti interakciót egy robotikus rendszerben.
• Megértik és implementálják a robotika alapját képező szoftverkomponenseket.
• Kiépíthetnek és működtethetnének egy szimulált mechanikus robotot, amely lát, érzékel, feldolgoz, navigál és beszélget emberrel hangon keresztül.
• Megértik az mesterséges intelligencia (gép tanulás, mély tanulás stb.) szükséges elemeit egy okos robot építéséhez.
• Implementálják a szűrőket (Kalman és részecske), hogy a robot mozgó tárgyakat ismerjen fel környezetében.
• Implementálják a kereső algoritmusokat és a mozgási tervezést.
• Implementálják a PID irányítást, hogy szabályozzák a robot mozgását egy környezetben.
• Implementálják a SLAM algoritmusokat, hogy a robot ismeretlen környezetet térképezzen fel.
• Tesztelik és hibakeresést végeznek egy roboton valós körülmények között.