Ethics and Legal Aspects of Autonomous Driving Képzés

Ez az Magyarország (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 Magyarország (online vagy helyszíni) képzés tapasztalt adattudósoknak, mesterséges intelligencia (AI) szakembereknek és az autonóm vezetéshez AI-modelleket fejlesző mérnököknek szól, akik építeni, betanítani és optimalizálni szeretnének AI-modelleket autonóm vezetéshez.

A képzés elvégzésével a résztvevők képesek lesznek:

• Megérteni a mesterséges intelligencia és a mélytanulás alapjait az autonóm járművek kontextusában.
• Valós idejű tárgyfelismerés és sávtartás technikáit implementálni a számítógépes látás segítségével.
• Erősítéses tanulást alkalmazni a döntéshozatalhoz az önvezető rendszerekben.
• Érzékelőfúziós technikákat integrálni a jobb érzékelés és navigáció érdekében.
• Mélytanulási modelleket építeni a vezetéstechnikai helyzetek előrejelzésére és elemzésére.

Ez a Magyarország (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 oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) formában kerül megvalósításra, és a középfokú AI fejlesztőknek és a számítógépes látásmérnököknek szól, akik robusztus látórendszereket szeretnének építeni autonóm járművek számára.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a számítógépes látás alapvető fogalmait az autonóm járművekben.
• Objektumfelismerő, sávfelismerő és szemantikai szegmentációs algoritmusokat implementálni.
• A látórendszereket integrálni az autonóm jármű egyéb alrendszereivel.
• Mélytanulási technikákat alkalmazni a fejlett érzékelési feladatokra.
• A számítógépes látás modellek teljesítményét értékelni valós körülmények között.

Ez az Magyarország (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 Magyarország (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 az Magyarország (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 az oktató vezetésű, élő képzés Magyarország (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.