Kurzusleírás

Bevezetés az Edge AI-be a Robotikában

  • Mit jelent az Edge AI?
  • Miért fontos az Edge AI a robotikában
  • Az autonóm rendszerekben a valós idejű AI kihívásai

AI modellek telepítése Edge eszközökre

  • AI következtetés NVIDIA Jetson és egyéb edge hardveren
  • TensorFlow Lite és ONNX használata edge telepítéshez
  • AI modellek optimalizálása valós idejű végrehajtáshoz

Valós idejű érzékelés autonóm rendszerek számára

  • Számítógépes látás robotnavigációhoz
  • Szensorfúzió: LiDAR, kamerák és IMU-k
  • Edge AI tárgyfelismerésre és követésre

Döntéshozatal és irányítás a robotikában

  • Erősítőképzés autonóm viselkedésekhez
  • Úttervezés és akadálykerülés
  • Késleltetésoptimalizálás valós idejű AI rendszerekben

AI integrálása ROS (Robot Operating System) -val

  • ROS áttekintése és ökológiája
  • AI-alapú érzékelési modellek futtatása ROS-ban
  • Edge AI többrobotos és rovarrobotikai alkalmazásokban

AI optimalizálása alacsony energiafogyasztású robotrendszerekben

  • Hatékony neurális hálózati architektúrák a robotikában
  • Az AI-hajtott robotok energiafogyasztásának csökkentése
  • AI telepítése akkumulátoros robotplatformokon

Valós világbeli alkalmazások és jövőbeli trendek

  • Autonóm drónok és ipari robotok
  • AI-hajtott robotasszisztensek
  • Jövőbeli fejlődések az Edge AI-ben a robotikában

Összegzés és Következő lépések

Követelmények

  • AI és gépi tanulásmodellek megértése
  • Tapasztalat beágyazott rendszerek vagy robotika területén
  • Alapvető ismeret valós idejű számítástechnikából

Célközönség

  • Robotika mérnökök
  • AI fejlesztők
  • Automatizálás szakemberek
 21 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák