Gyakorlati Gyors Prototípuskészítés Robotikához ROS 2 & Dockerrel Képzés

A Mesterséges Intelligencia (AI) a Robotikában a gépi tanulást, a vezérlőrendszereket és az érzékelőfúziót kombinálja, hogy intelligens gépeket hozzon létre, amelyek képesek érzékelni, gondolkodni és autonóm módon cselekedni. Modern eszközök, mint a ROS 2, a TensorFlow és az OpenCV segítségével a mérnökök most már olyan robotokat tervezhetnek, amelyek intelligensen navigálnak, terveznek és interakcióba lépnek a valós környezetekkel.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) középszintű mérnököknek szól, akik szeretnének AI-alapú robotrendszereket fejleszteni, betanítani és üzembe helyezni a jelenlegi nyílt forráskódú technológiák és keretrendszerek segítségével.

A képzés végére a résztvevők képesek lesznek:

• Python és ROS 2 használatával robotviselkedések építésére és szimulálására.
• Kalman- és Particle Szűrők implementálására lokalizálás és nyomon követés céljából.
• Számítógépes látástechnikák alkalmazására az OpenCV segítségével érzékelés és objektumdetektálás céljából.
• TensorFlow használatára mozgás előrejelzés és tanulásalapú vezérlés céljából.
• SLAM (Simultán Lokalizálás és Térképezés) integrálására autonóm navigáció céljából.
• Megerősítéses tanulási modellek fejlesztésére a robotok döntéshozatalának javítása érdekében.

A képzés formátuma

• Interaktív előadás és vita.
• Gyakorlati implementáció ROS 2 és Python használatával.
• Gyakorlati feladatok szimulált és valós robotkörnyezetekben.

Kurzus Testreszabási Lehetőségek

Egyedi képzés igényléséhez kérjük, lépjen kapcsolatba velünk a megbeszélés érdekében.

Ez az oktató vezetett, élőképes képzés Magyarország (online vagy személényes) során a részvevők megtanulhatják a különböző robotok programozásához használt technológiákat, keretrendszereket és technikákat, amelyeket a nukleáris technológia és környezeti rendszerek területén alkalmaznak.

A 6 hetes kurzus 5 naponként tartódik. Minden nap 4 órában teljesül, amely előadásokat, vitákat és robotprogramozást élő labor környezetben tartalmaz. A részvevők végigfuttatják a szükséges valós életi projekteket, hogy gyakorolhassák a szerzett ismereteiket.

Ez a kurzus célja a hardver 3D-simulációban történő modellezése szimulációs szoftver segítségével. A robotszámítógépes rendszer (ROS), az open-source keretrendszer, C++ és Python programozását használjuk a robotok programozásához.

Ez a képzés végén a részvevők képesek lesznek:

• Megérteni a robotikai technológiák kulcsfontosságú fogalmait.
• Kezelni és felügyelni a szoftver és hardver kölcsönhatását egy robottárs rendszerben.
• Megérteni és megvalósítani a robotikát alapozó szoftver komponenseket.
• Epíteni és irányítani egy szimulált mechanikai robottat, amely láthat, érezhet, feldolgozhat, navigálhat, és hangszeresen interakcióba léphet az emberekkel.
• Megérteni a mesterséges intelligencia (gépi tanulás, mély tanulás stb.) szükséges elemait egy okos robot kialakításához.
• Implementálni Kalman- és részecskés szűrőket a robottárs képességéhez, hogy mozgó objektumokat helyezzen el a környezetben.
• Implementálni keresési algoritmusokat és mozdulás tervezést.
• PID vezérlőket implementálni a robottárs mozgásának szabályozásához egy környezetben.
• SLAM algoritmusokat implementálni, hogy a robottárs térképet készíthessen ismeretlen környezetről.
• A mély tanulás segítségével kiterjeszteni a robottárs képességeit összetett feladatok elvégzéséhez.
• Tesztelni és hibaelhárítani a robottást valóságos forgatókönyvekben.

Ebben az oktató által vezetett, élő képzésben Magyarország (online vagy helyszíni) a résztvevők megismerik a különböző technológiákat, keretrendszereket és technikákat, amelyekkel különböző típusú robotokat programozhatnak az atomtechnológia és környezeti rendszerek területén.

A 4 hetes képzés heti 5 naponként zajlik. Minden nap 4 órás, és előadásokból, vitákból, valamint gyakorlati robotfejlesztésből áll egy élő laboratóriumi környezetben. A résztvevők különböző valós projekteket fognak teljesíteni, amelyek alkalmazhatók munkájukban, hogy gyakorolják a megszerzett tudást.

A képzés célhardverét 3D-ben szimuláljuk szimulációs szoftver segítségével. A kódot ezután fizikai hardverre (Arduino vagy más) töltjük a végső telepítési teszteléshez. A ROS (Robot Operating System) nyílt forráskódú keretrendszert, valamint a C++ és Python nyelvet használjuk a robotok programozásához.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a robottechnológiák kulcsfogalmait.
• Megérteni és kezelni a szoftver és hardver kölcsönhatását egy robotrendszerben.
• Megérteni és implementálni a robotika alapjait képező szoftverkomponenseket.
• Építeni és üzemeltetni egy szimulált mechanikus robotot, amely lát, érzékel, feldolgoz, navigál és hangon keresztül kommunikál az emberekkel.
• Megérteni a mesterséges intelligencia szükséges elemeit (gépi tanulás, mély tanulás stb.), amelyek egy okos robot építéséhez szükségesek.
• Szűrők (Kalman és részecske) implementálása, hogy a robot képes legyen mozgó tárgyakat észlelni a környezetében.
• Keresési algoritmusok és mozgástervezés implementálása.
• PID vezérlők implementálása a robot mozgásának szabályozásához egy környezetben.
• SLAM algoritmusok implementálása, hogy a robot képes legyen feltérképezni egy ismeretlen környezetet.
• Robot tesztelése és hibaelhárítása valós helyzetekben.

A ROS 2 (Robot Operating System 2) egy nyílt forráskódú keretrendszer, amelyet a komplex és skálázható robotikai alkalmazások fejlesztésének támogatására terveztek.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) középhaladó szintű robotikai mérnökök és fejlesztők számára készült, akik autonóm navigációt és SLAM-et (Simultaneous Localization and Mapping) szeretnének implementálni ROS 2 használatával.

A képzés végére a résztvevők képesek lesznek:

• ROS 2 beállítása és konfigurálása autonóm navigációs alkalmazásokhoz.
• SLAM algoritmusok implementálása térképkészítéshez és lokalizációhoz.
• Érzékelők, például LiDAR és kamerák integrálása ROS 2-vel.
• Autonóm navigáció szimulálása és tesztelése Gazebo-ban.
• Navigációs stackek telepítése fizikai robotokon.

A képzés formátuma

• Interaktív előadás és vita.
• Gyakorlati feladatok ROS 2 eszközökkel és szimulációs környezetekkel.
• Élő laboratóriumi implementáció és tesztelés virtuális vagy fizikai robotokon.

Kurzus Testreszabási Lehetőségek

• Ha testreszabott képzést szeretne kérni ehhez a kurzushoz, kérjük, lépjen kapcsolatba velünk.

Az Azure Bot Service egyesíti a Microsoft Bot Framework és az Azure funkciók erejét, hogy lehetővé tegye az intelligens botok gyors fejlesztését.

Ebben az oktató által vezetett, élő képzésben a résztvevők megtanulják, hogyan hozhatnak létre könnyedén intelligens botot a Microsoft Azure segítségével.

A képzés végére a résztvevők képesek lesznek:

• Megismerni az intelligens botok alapjait
• Megtanulni, hogyan hozhatnak létre intelligens botokat felhőalkalmazások használatával
• Megérteni, hogyan használható a Microsoft Bot Framework, a Bot Builder SDK és az Azure Bot Service
• Megérteni, hogyan tervezhetnek botokat bot mintázatok segítségével
• Kifejleszteni az első intelligens botjukat a Microsoft Azure használatával

Közönség

• Fejlesztők
• Hobbisták
• Mérnökök
• IT szakemberek

A képzés formátuma

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorlati munka

Az OpenCV egy nyílt forráskódú számítógépes látókönyvtár, amely valós idejű képfeldolgozást tesz lehetővé, míg a TensorFlow és más deep learning keretrendszerek az intelligens észlelés és döntéshozatal eszközeit biztosítják a robotrendszerek számára.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) középhaladó szintű robotikamérnökök, számítógépes látás szakemberek és gépi tanulás mérnökök számára készült, akik számítógépes látási és deep learning technikákat szeretnének alkalmazni a robotikus észlelés és autonómia területén.

A képzés végére a résztvevők képesek lesznek:

• Számítógépes látási folyamatok implementálására az OpenCV segítségével.
• Deep learning modellek integrálására objektumdetektálás és felismerés céljából.
• Látásalapú adatok felhasználására robotikus irányítás és navigáció során.
• Klasszikus látóalgoritmusok összevonására mély neurális hálózatokkal.
• Számítógépes látórendszerek üzembe helyezésére beágyazott és robotikus platformokon.

A képzés formátuma

• Interaktív előadás és vita.
• Gyakorlati feladatok az OpenCV és TensorFlow használatával.
• Élő laborimplementáció szimulált vagy fizikai robotrendszereken.

Képzés testreszabási lehetőségei

• Ha testreszabott képzést szeretne kérni ehhez a kurzushoz, kérjük, lépjen kapcsolatba velünk.

A bot vagy chatbot olyan, mint egy számítógépes asszisztens, amelyet a felhasználói interakciók automatizálására használnak különböző üzenetküldő platformokon, hogy gyorsabban el lehessen végezni a feladatokat anélkül, hogy a felhasználóknak emberrel kellene beszélniük.

Ebben az oktató által vezetett, élő képzésben a résztvevők megtanulják, hogyan kezdjenek neki egy bot fejlesztésének, miközben lépésről lépésre megismerik a minta chatbotok létrehozását botfejlesztési eszközök és keretrendszerek segítségével.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a botok különböző felhasználási lehetőségeit és alkalmazásait
• Megérteni a botok fejlesztésének teljes folyamatát
• Felfedezni a botok építéséhez használt különböző eszközöket és platformokat
• Létrehozni egy minta chatbotot a Facebook Messenger számára
• Létrehozni egy minta chatbotot a Microsoft Bot Framework segítségével

Célközönség

• Fejlesztők, akik saját botot szeretnének létrehozni

A kurzus formátuma

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorlati munka

Az Edge AI lehetővé teszi, hogy a mesterséges intelligencia modellek közvetlenül beágyazott vagy erőforráskorlátozott eszközökön fussanak, csökkentve a késleltetést és az energiafogyasztást, miközben növelik az autonómiát és az adatvédelmet a robotikai rendszerekben.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) középhaladó szintű beágyazott fejlesztők és robotikai mérnökök számára készült, akik gépi tanulási következtetési és optimalizálási technikákat szeretnének közvetlenül robotikai hardvereken implementálni TinyML és edge AI keretrendszerek segítségével.

A képzés végére a résztvevők képesek lesznek:

• Megismerni a TinyML és edge AI alapjait a robotikában.
• AI modellek konvertálása és telepítése eszközön belüli következtetéshez.
• Modellek optimalizálása sebességre, méretre és energiahatékonyságra.
• Edge AI rendszerek integrálása a robotikai vezérlő architektúrákba.
• Teljesítmény és pontosság értékelése valós forgatókönyvekben.

A kurzus formátuma

• Interaktív előadás és vita.
• Gyakorlati gyakorlatok TinyML és edge AI eszközláncok használatával.
• Gyakorlati feladatok beágyazott és robotikai hardver platformokon.

Kurzus testreszabási lehetőségek

• Ha testreszabott képzést szeretne kérni ehhez a kurzushoz, kérjük, lépjen kapcsolatba velünk a megbeszélés érdekében.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középszintű résztvevőknek szól, akik szeretnék felfedezni az együttműködő robotok (cobotok) és más emberközpontú MI rendszerek szerepét a modern munkahelyeken.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az Emberközpontú Fizikai MI alapelveit és alkalmazásait.
• Felfedezni az együttműködő robotok szerepét a munkahelyi hatékonyság növelésében.
• Azonosítani és kezelni a humán-gép interakciók kihívásait.
• Olyan munkafolyamatokat tervezni, amelyek optimalizálják az emberek és az MI által vezérelt rendszerek közötti együttműködést.
• Innovációra és alkalmazkodóképességre ösztönző kultúrát elősegíteni az MI integrált munkahelyeken.

Ez az oktató által vezetett, élőben folytatott képzés Magyarország-ban (online vagy helyszínen) azoknak a mérnököknek szól, akik szeretnének megismerkedni a mesterséges intelligencia alkalmazhatóságával a mechatronikai rendszerekben.

A képzés végére a résztvevők képesek lesznek:

• Áttekintést szerezni a mesterséges intelligenciáról, a gépi tanulásról és a számítási intelligenciáról.
• Megérteni a neurális hálózatok és a különböző tanulási módszerek fogalmait.
• Hatékonyan kiválasztani a mesterséges intelligencia megközelítéseket valós problémák megoldására.
• AI alkalmazásokat implementálni a mechatronikai mérnöki területen.

Ez az oktató által vezetett, élőben zajló képzés Magyarország-ben (online vagy helyszínen) haladó szintű robotikai mérnökök és MI kutatók számára készült, akik szeretnék kihasználni a multimodális MI-t különböző érzékelési adatok integrálására, hogy olyan robotokat hozzanak létre, amelyek képesek látni, hallani és érezni, és így önállóbbak és hatékonyabbak legyenek.

A képzés végére a résztvevők képesek lesznek:

• Multimodális érzékelést implementálni robotrendszerekben.
• MI algoritmusokat fejleszteni az érzékelőadatok összevonására és döntéshozatalra.
• Olyan robotokat létrehozni, amelyek komplex feladatokat tudnak végrehajtani dinamikus környezetekben.
• Megbirkózni a valós idejű adatfeldolgozás és végrehajtás kihívásaival.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középhaladó szintű résztvevőknek szól, akik szeretnék fejleszteni készségeiket az intelligens robotrendszerek tervezésében, programozásában és üzembe helyezésében az automatizálás és azon túli területeken.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Physical AI alapelveit és alkalmazásait a robotikában és automatizálásban.
• Intelligens robotrendszereket tervezni és programozni dinamikus környezetekhez.
• AI modelleket implementálni a robotok autonóm döntéshozatalához.
• Szimulációs eszközöket használni a robotok teszteléséhez és optimalizálásához.
• Megbirkózni olyan kihívásokkal, mint az érzékelőkkel való adatfúzió, valós idejű feldolgozás és energiahatékonyság.

A megerősítéses tanulás (RL) egy gépi tanulási paradigma, amelyben az ügynökök úgy tanulnak döntéseket hozni, hogy interakcióba lépnek egy környezettel. A robotikában az RL lehetővé teszi az autonóm rendszerek számára, hogy tapasztalatok és visszajelzések alapján adaptív irányítási és döntéshozatali képességeket fejlesszenek ki.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) haladó szintű gépi tanulási mérnökök, robotkutatók és fejlesztők számára készült, akik szeretnének megerősítéses tanulási algoritmusokat tervezni, implementálni és üzembe helyezni robotikai alkalmazásokban.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a megerősítéses tanulás elveit és matematikáját.
• RL algoritmusok implementálása, mint például a Q-learning, DDPG és PPO.
• RL integrálása robotikai szimulációs környezetekkel az OpenAI Gym és a ROS 2 segítségével.
• Robotok betanítása komplex feladatok önálló elvégzésére próba-hiba módszerrel.
• A tanítási teljesítmény optimalizálása mélytanulási keretrendszerek, például a PyTorch segítségével.

A kurzus formátuma

• Interaktív előadás és vita.
• Gyakorlati implementáció Python, PyTorch és OpenAI Gym használatával.
• Gyakorlati feladatok szimulált vagy fizikai robotikai környezetekben.

Kurzus testreszabási lehetőségek

• Egyéni képzés igényléséhez kérjük, lépjen kapcsolatba velünk.

Az Okos Robot egy Mesterséges Intelligencia (AI) rendszer, amely képes tanulni környezetéből és tapasztalataiból, és ezen tudásra építve bővíteni képességeit. Az Okos Robotok együttműködhetnek az emberekkel, velük együtt dolgozva és tanulva a viselkedésükből. Továbbá nemcsak fizikai munkára, hanem kognitív feladatokra is képesek. Az Okos Robotok nemcsak fizikai robotok lehetnek, hanem tiszta szoftveralapúak is, amelyek számítógépen futó szoftveralkalmazásként léteznek, mozgó alkatrészek vagy fizikai interakció nélkül a világgal.

Ebben az oktató által vezetett, élő képzésben a résztvevők megismerik a különböző technológiákat, keretrendszereket és technikákat a különböző típusú mechanikus Okos Robotok programozásához, majd ezt a tudást alkalmazzák saját Okos Robot projektjeik elkészítéséhez.

A képzés 4 részre oszlik, mindegyik rész három napos előadásokból, vitákból és gyakorlati robotfejlesztésből áll egy élő laboratóriumi környezetben. Minden rész gyakorlati, gyakorlati projekttel zárul, amely lehetővé teszi a résztvevők számára, hogy gyakorolják és bemutassák megszerzett tudásukat.

A képzés célhardverét 3D-ben szimulálják szimulációs szoftver segítségével. A ROS (Robot Operating System) nyílt forráskódú keretrendszert, a C++-t és a Pythont használják a robotok programozásához.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a robottechnológiák kulcsfogalmait
• Megérteni és kezelni a szoftver és a hardver közötti interakciót egy robotrendszerben
• Megérteni és megvalósítani az Okos Robotokat alapozó szoftverkomponenseket
• Építeni és üzemeltetni egy szimulált mechanikus Okos Robotot, amely képes látni, érzékelni, feldolgozni, megfogni, navigálni és hangon keresztül interakcióba lépni az emberekkel
• Kiterjeszteni egy Okos Robot képességét összetett feladatok elvégzésére a Mélytanulás segítségével
• Tesztelni és hibaelhárítani egy Okos Robotot valós forgatókönyvekben

Célközönség

• Fejlesztők
• Mérnökök

A képzés formátuma

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorlati gyakorlatok

Megjegyzés

• Ha bármilyen részt testre szeretne szabni ebből a képzésből (programozási nyelv, robotmodell stb.), kérjük, lépjen kapcsolatba velünk.

Az Okos Robotika a mesterséges intelligencia integrálása a robotrendszerekbe a jobb érzékelés, döntéshozatal és autonóm irányítás érdekében.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) haladó szintű robotikamérnökök, rendszerintegrátorok és automatizálási vezetők számára készült, akik AI-alapú érzékelést, tervezést és irányítást szeretnének bevezetni az okos gyártási környezetekben.

A képzés végére a résztvevők képesek lesznek:

• Megérteni és alkalmazni az AI-technikákat a robotika érzékeléséhez és szenzorfúzióhoz.
• Mozgástervezési algoritmusokat fejleszteni együttműködő és ipari robotok számára.
• Tanulásalapú irányítási stratégiákat bevezetni valós idejű döntéshozatalhoz.
• Intelligens robotrendszereket integrálni az okos gyár munkafolyamataiba.

A képzés formátuma

• Interaktív előadás és vita.
• Számos gyakorlat és gyakorlati feladat.
• Gyakorlati megvalósítás élő laboratóriumi környezetben.

Képzés Testreszabási Lehetőségei

• Egyedi képzés igényléséhez kérjük, lépjen kapcsolatba velünk.