Autonomous Vehicles (AVs) oktatás Bács-Kiskun

Ez az oktató által vezetett, élő képzés Bács-Kiskun-ben (online vagy helyszíni) kezdő szintű szakembereknek szól, akik szeretnék megismerni az autonóm járművekkel kapcsolatos etikai dilemmaikat és jogi keretrendszereket.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az AI által vezérelt döntéshozatal etikai következményeit az autonóm járművekben.
• Elemzni a önvezető autókat szabályozó globális jogi keretrendszereket és politikákat.
• Vizsgálni a felelősséget és az elszámoltathatóságot autonóm járművek balesetei esetén.
• Értékelni az innováció és a közbiztonság közötti egyensúlyt az autonóm vezetés törvényeiben.
• Beszélni valós esettanulmányokról, amelyek etikai dilemmaikat és jogi vitákat tartalmaznak.

Ez az oktató által vezetett, élő képzés Bács-Kiskun (online vagy helyszíni) kezdő szintű szakemberek és lelkesedők számára készült, akik szeretnének megismerni az autonóm járművek alapvető fogalmait, technológiáit és alkalmazásait.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az autonóm járművek kulcsfontosságú összetevőit és működési elveit.
• Felfedezni az AI, az érzékelők és a valós idejű adatfeldolgozás szerepét az önvezető rendszerekben.
• Elemzésbe venni a járművek különböző szintű autonómiáját és azok valós világbeli alkalmazásait.
• Vizsgálatba venni az autonóm mobilitás etikai, jogi és szabályozási szempontjait.
• Gyakorlati tapasztalatot szerezni autonóm járművek szimulációiban.

Ez az oktató által vezetett, élő képzés Bács-Kiskun-ben (online vagy helyszíni) középszintű hálózati mérnökök és autóipari IoT fejlesztők számára készült, akik meg szeretnék érteni és implementálni a V2X kommunikációs technológiákat autonóm járművekhez.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a V2X kommunikáció alapvető fogalmait.
• Elemezni a V2V, V2I, V2P és V2N kommunikációs modelleket.
• Implementálni a V2X protokollokat, mint például a DSRC és a C-V2X.
• Fejleszteni szimulációkat kapcsolt jármű környezetekhez.
• Megbirkózni a kiberbiztonsági és adatvédelmi kihívásokkal a V2X hálózatokban.

Ez az oktató által vezetett, élő képzés Bács-Kiskun (online vagy helyszíni) középszintű mérnökök, autóipari szakemberek és IoT-szakértők számára készült, akik szeretnék megérteni a szenzorok szerepét az önvezető autókban, beleértve a LiDAR-t, radart, kamerákat és a szenzorok összevonási technikáit.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az önvezető járművekben használt különböző típusú szenzorokat.
• Elemzni a szenzoradatokat a jármű valós idejű érzékeléséhez és döntéshozatalához.
• Implementálni a szenzorok összevonási technikáit a jármű pontosságának és biztonságának javításához.
• Optimalizálni a szenzorok elhelyezését és kalibrálását a jobb önvezető teljesítmény érdekében.

Ez az oktató által vezetett, élő képzés Bács-Kiskun (online vagy helyszíni) haladó szintű biztonsági mérnökök és autóipari biztonsági szakemberek számára készült, akik átfogó biztonsági stratégiákat szeretnének kialakítani autonóm járművek számára, beleértve a kockázatelemzést, funkcionális biztonsági értékeléseket és a nemzetközi szabványoknak való megfelelést.

A képzés végére a résztvevők képesek lesznek:

• Azonosítani és értékelni az autonóm vezetési rendszerekhez kapcsolódó biztonsági kockázatokat.
• Kockázatelemzést és kockázatértékelést végezni iparági szabványok alapján.
• Biztonsági ellenőrzési és hitelesítési módszerek implementálása AV rendszerek számára.
• Funkcionális biztonsági szabványok alkalmazása, mint például az ISO 26262 és a SOTIF.
• Kockázatcsökkentő stratégiák kialakítása az AV biztonsági kihívásokra.

Ez az oktató által vezetett, élő képzés Bács-Kiskun (online vagy helyszíni) haladó szintű érzékelőfúzió szakembereknek és AI mérnököknek szól, akik többérzékelős fúziós algoritmusokat kívánnak fejleszteni és az autonóm rendszerek valós idejű navigációját optimalizálni.

A képzés végén a résztvevők képesek lesznek:

• Megérteni a többérzékelős adatfúzió alapjait és kihívásait.
• Érzékelőfúziós algoritmusokat implementálni valós idejű autonóm navigációhoz.
• LiDAR, kamera és RADAR adatainak integrálása az érzékelés javítása érdekében.
• Elemzése és értékelése a fúziós rendszer teljesítményének különböző körülmények között.
• Gyakorlati megoldások fejlesztése az érzékelő zaj csökkentésére és az adatok összehangolására.

Ez az oktató által vezetett, élő képzés Bács-Kiskun (online vagy helyszíni) középhaladó szintű AI-fejlesztők és számítógépes látásmérnökök számára készült, akik robusztus látórendszereket szeretnének építeni önvezető járműalkalmazásokhoz.

A képzés végén a résztvevők képesek lesznek:

• Megérteni a számítógépes látás alapvető fogalmait önvezető járművekben.
• Algoritmusok implementálása objektumdetektáláshoz, sávdetektáláshoz és szemantikus szegmentációhoz.
• Látórendszerek integrálása más önvezető jármű alrendszerekkel.
• Mélytanulási technikák alkalmazása fejlett érzékelési feladatokhoz.
• Számítógépes látás modellek teljesítményének értékelése valós helyzetekben.

Ez az oktató által vezetett, élő képzés Bács-Kiskun (online vagy helyszíni) haladó szintű robotikai mérnökök és AI kutatók számára készült, akik kifinomult útvonaltervezési algoritmusokat szeretnének implementálni az önvezető járművek teljesítményének javítása érdekében.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a haladó útvonaltervezési algoritmusok elméleti alapjait.
• Algoritmusok implementálása, mint például az RRT*, A* és D* valós idejű navigációhoz.
• Az útvonaltervezés optimalizálása akadálykerülésre és dinamikus környezetekre.
• Útvonaltervezési algoritmusok integrálása érzékelői adatokkal a pontosság növelése érdekében.
• Különböző algoritmusok teljesítményének értékelése gyakorlati forgatókönyvekben.

Ez az oktató által vezetett, élő képzés Bács-Kiskun (online vagy helyszínen) haladó szintű adattudósok, AI-szakértők és autóipari AI-fejlesztők számára készült, akik AI-modelleket szeretnének építeni, betanítani és optimalizálni önvezető alkalmazásokhoz.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a mesterséges intelligencia és a mélytanulás alapjait az önvezető járművek kontextusában.
• Számítógépes látástechnikák implementálása valós idejű objektumfelismeréshez és sávkövetéshez.
• Erősítő tanulás alkalmazása döntéshozatalhoz önvezető rendszerekben.
• Érzékelőegyesítési technikák integrálása jobb érzékelés és navigáció érdekében.
• Mélytanulási modellek építése vezetési forgatókönyvek előrejelzésére és elemzésére.