Autonomous Vehicles (AVs) oktatás Budapest

Ez az Budapest (online vagy helyszíni) képzés kezdő szintű szakembereknek szól, akik szeretnék feltárni az autonóm járművekkel kapcsolatos etikai dilemmákat és jogi kereteket.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az AI-vezérelt döntéshozatal etikai következményeit az autonóm járművekben.
• Elemzni a globális jogi kereteket és politikákat, amelyek szabályozzák az önvezető autókat.
• Vizsgálni a felelősséget és az elszámoltathatóságot autonóm járművek balesete esetén.
• Értékelni az innováció és a közbiztonság egyensúlyát az autonóm vezetés jogszabályaiban.
• Megbeszélni a valós esettanulmányokat, amelyek etikai dilemmákat és jogi vitákat tartalmaznak.

Ez az Budapest (online vagy helyszíni) tréning kezdő szintű szakembereknek és lelkeseknek szól, akik meg szeretnék érteni az autonóm járművek alapelveit, technológiáit és alkalmazási területeit.

A tréning végére a résztvevők képesek lesznek:

• Megérteni az autonóm járművek kulcsfontosságú komponenseit és működési elveit.
• Felfedezni a mesterséges intelligencia, az érzékelők és a valós idejű adatfeldolgozás szerepét az önvezető rendszerekben.
• Elemzni a járművek különböző autonómiaszintjeit és azok valós alkalmazásait.
• Vizsgálni az autonóm mobilitás etikai, jogi és szabályozási vonatkozásait.
• Gyakorlati tapasztalatot szerezni az autonóm járművek szimulációival.

Ez az oktató vezetésű, élő képzés Budapest (online vagy helyszíni) formában közép- vagy annál magasabb szintű hálózati mérnököknek és autonóm járművekhez kapcsolódó IoT fejlesztőknek szól, akik meg szeretnék érteni és megvalósítani a V2X kommunikációs technológiákat.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a V2X kommunikáció alapelveit.
• Elemzni a V2V, V2I, V2P és V2N kommunikációs modelleket.
• Megvalósítani a DSRC és C-V2X protokollokat.
• Szimulációkat készíteni a csatlakoztatott járművek környezetéhez.
• Kezelni a V2X hálózatok biztonsági és adatvédelmi kihívásait.

Ez az Budapest (online vagy helyszíni) képzés, amelyet tapasztalt oktató vezet, közép- vagy annál magasabb szintű mérnökök, az autóipar szakemberei és az IoT specialisták számára készült, akik meg szeretnék érteni az érzékelők szerepét az önvezető autókban, beleértve a LiDAR-t, a radart, a kamerákat és az érzékelőfúziós technikákat.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az autonóm járművekben használt különböző típusú érzékelőket.
• Elemzni az érzékelőadatokat a valós idejű járműérzékelés és döntéshozatal érdekében.
• Implementálni az érzékelőfúziós technikákat a jármű pontosságának és biztonságának javítása érdekében.
• Optimalizálni az érzékelők elhelyezését és kalibrálását a jobb önvezető teljesítmény érdekében.

Ez a Budapest (online vagy helyszíni) oktató vezetésű, élő képzés a haladó szintű biztonsági mérnökök és az autonóm járművek biztonsági szakemberei számára készült, akik átfogó biztonsági stratégiákat szeretnének kidolgozni az autonóm járművek számára, beleértve a veszélyelemzést, a funkcionális biztonsági értékeléseket és a nemzetközi szabványoknak való megfelelést.

A képzés végén a résztvevők képesek lesznek:

• Azonosítani és felmérni az autonóm vezetéshez kapcsolódó biztonsági kockázatokat.
• Veszélyelemzést és kockázatértékelést végezni az iparági szabványoknak megfelelően.
• Megvalósítani az AV rendszerek biztonsági validálását és ellenőrzését.
• Alkalmazni a funkcionális biztonsági szabványokat, mint például az ISO 26262 és a SOTIF.
• Kockázatcsökkentési stratégiákat kidolgozni az AV biztonsági kihívásokra.

Ez az Budapest (online vagy helyszíni) képzés az érzékelőfúzió specialistáknak és az AI mérnököknek szól, akik többérzékelős fúziós algoritmusokat szeretnének fejleszteni, és optimalizálni szeretnék a valós idejű navigációt autonóm rendszerekben.

A képzés végén a résztvevők képesek lesznek:

• Megérteni a többérzékelős adatfúzió alapelveit és kihívásait.
• Valós idejű autonóm navigációra alkalmas érzékelőfúziós algoritmusokat implementálni.
• A LiDAR, kamerák és RADAR adatok integrálására a percepció javítása érdekében.
• A fúziós rendszer teljesítményének elemzésére és értékelésére különböző körülmények között.
• Gyakorlati megoldások kidolgozására az érzékelőzaj csökkentésére és az adatok igazítására.

Ez oktatóvezetett, élő képzés Budapest (online vagy helyszínen) célközönsége az intermediális szintű AI-fejlesztők és számítógépes látás mérnökök, akik szeretnék robusztus látási rendszereket készíteni autonóm vezetéshez alkalmas alkalmazásokhoz.

A képzés végén a résztvevők képesek lesznek:

• Megérteni a számítógépes látás alapvető fogalmait autonóm járművekben.
• Algoritmusokat valósítanak meg tárgyfelismeréshez, sávfelismeréshez és szemináris szegmentáláshoz.
• Integrálják a látási rendszereket más autonóm jármű-alrendszerekkel.
• Mélytanulási technikákat alkalmaznak előrejelző feladatokhoz.
• Kiértékelik a számítógépes látás modellek teljesítményét valós világbeli helyzetekben.

Ez az Budapest (online vagy helyszíni) képzés a haladó szintű robotikai mérnökök és az AI kutatók számára készült, akik kifinomult útvonaltervezési algoritmusokat szeretnének implementálni az autonóm járművek teljesítményének javítása érdekében.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a haladó útvonaltervezési algoritmusok elméleti alapjait.
• Implementálni olyan algoritmusokat, mint például az RRT*, A* és D* a valós idejű navigációhoz.
• Optimalizálni az útvonaltervezést az akadályok elkerülése és a dinamikus környezetek érdekében.
• Integrálni az útvonaltervezési algoritmusokat szenzoradatokkal a pontosság növelése érdekében.
• Értékelni a különböző algoritmusok teljesítményét a gyakorlati alkalmazásokban.

Ez az oktatóvezetésű, élő képzés (online vagy helyszínen) olyan előrehaladott szintű adattudósoknak, meses AI szakembereknek és autonóm járművekhez specializálódott AI fejlesztőknek szól, akik szeretnének építeni, kiaknázni és optimalizálni AI modelleket autonóm vezérlésű alkalmazásokhoz.

Ez a képzés végén a résztvevők képesek lesznek:

• Megérteni az AI és a mélytanulás alapjaikat az autonóm járművek kontextusában.
• Valós idejű objektumfelismerés és sávkövetésre alkalmas számítógépes látási technikákat valósítani.
• Erősítéstanulást használni az önállóan vezérlő rendszerek döntéshozatali folyamatában.
• Érzékelési technikákat integrálni a jobb észlelés és navigáció érdekében.
• Mélytanulási modelleket építeni a vezetési helyzetek előrejelzéséhez és elemzéséhez.