Autonóm járművek (AV) oktatás Budapest

Ez az oktató által vezetett, élő képzés Budapest-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 Budapest (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 Budapest-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 Budapest (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 Budapest (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 Budapest (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 Budapest (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 a vezető által tartott, élő képzés Budapest (online vagy személyesen) haladó szintű robotikai mérnököknek és mesterséges intelligencia kutatóknak szól, akik sophisztikált útvonaltervezési algoritmusokat kívánnak bevezetni az önvezető járművek teljesítményének javítása érdekében.

A képzés végére a résztvevők képesek lesznek a következőkre:

• A haladó útvonaltervezési algoritmusok elméleti alapjainak megértése.
• Olyan algoritmusok, mint az RRT*, az A* és a D* implementálása valós idejű navigációhoz.
• Útvonaltervezés optimalizálása akadályok elkerülésére és dinamikus környezetekhez.
• Útvonaltervezési algoritmusok integrálása érzékelőadatokkal a pontosság növelése érdekében.
• Különböző algoritmusok teljesítményének értékelése gyakorlati helyzetekben.

Ez az oktató által vezetett, élő képzés Budapest (online vagy helyszíni) haladó szintű adat tudományosok számára, MI specialista számára, valamint autópálya MI fejlesztők számára szól, akik AI modelleket szeretnének létrehozni, betanítani és optimalizálni önvezető alkalmazásokhoz.

A képzés végére a résztvevők képesek lesznek a következőkre:

• A mesterséges intelligencia és a mélytanulás alapjainak megértése önvezető járművek kontextusában.
• Számítógépes látástechnikák implementálása valós idejű objektumdetektálásra és sávkövetésre.
• Erősítési tanulás felhasználása az önvezető rendszerek döntéshozatalában.
• Érzékelő-fúziós technikák integrálása a jobb érzékeléshez és navigációhoz.
• Mélytanulási modellek építése vezetésforgalmi forgatókönyvek előrejelzésére és elemzésére.