Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Woche 01
Einführung
- Was macht einen Robot smart?
Physikalische vs. Virtuelle Roboter
- Smarte Roboter, intelligente Maschinen, bewusste Maschinen und robotergestützte Prozessautomatisierung (RPA), usw.
Die Rolle der Künstlichen Intelligenz (KI) in der Robotik
- Über "if-then-else" hinaus und die lernende Maschine
- Algorithmen hinter KI
- Machine Learning, Computer Vision, natürliche Sprachverarbeitung (NLP), usw.
- Kognitive Robotik
Die Rolle von Big Data in der Robotik
- Entscheidungsfindung auf der Grundlage von Daten und Mustern
Der Cloud und die Robotik
- Verbindung zwischen Robotik und IT
- Bau von funktionaleren Robotern, die auf mehr Informationen zugreifen können und zusammenarbeiten
Fallstudie: Industrieroboter
- Mechanische Roboter
- Baxter
- Roboter in Kernforschungseinrichtungen
- Strahlendetektion und -schutz
- Roboter in Kernreaktoren
- Strahlendetektion und -schutz
Hardwarekomponenten eines Roboters
- Motoren, Sensoren, Mikrocontroller, Kameras, usw.
Gemeinsame Elemente von Robotern
- Maschinenvisão, Spracherkennung, Sprachsynthese, Nahaufnahmesensoren, Drucksensoren, usw.
Entwicklungsumgebungen zur Programmierung eines Roboters
- Open-Source und kommerzielle Frameworks
- Roboterbetriebssystem (ROS)
- Architektur: Arbeitsplatz, Themen, Nachrichten, Dienste, Knoten, Actionlibs, Werkzeuge, usw.
Sprachen zur Programmierung eines Roboters
- C++ für niedrigstufige Kontrolle
- Python für Orchestrierung
- Programmierung von ROS-Knoten in Python und C++
- Andere Sprachen
Werkzeuge zur Simulation eines physischen Roboters
- Kommerzielle und open-source 3D-Simulation- und -Visualisierungssoftware
Woche 02
Vorbereitung der Entwicklungsumgebung
- Softwareinstallation und -setup
- Nützliche Pakete und Hilfsprogramme
Fallstudie: Mechanische Roboter
- Roboter im Kernforschungsbereich
- Roboter in Umweltsystemen
Programmierung des Roboters
- Programmierung eines Knotens in Python und C++
- Verständnis von ROS-Knoten
- Nachrichten und Themen in ROS
- Publikation/Subskription-Paradigma
- Projekt: Bump & Go mit einem realen Roboter
- Fehlerbehebung
- Simulation von Robotern mit Gazebo/ROS
- Frames in ROS und Referenzänderungen
- 2D-Informationenverarbeitung von Kameras mit OpenCV
- Informationsverarbeitung eines Lasers
- Projekt: Sicheres Verfolgen von Objekten nach Farbe
- Fehlerbehebung
Woche 03
Programmierung des Roboters (Fortsetzung...)
- Dienste in ROS
- 3D-Informationenverarbeitung von RGB-D-Sensoren mit PCL
- Karten und Navigation mit ROS
- Projekt: Suche nach Objekten in der Umgebung
- Fehlerbehebung
Programmierung des Roboters (Fortsetzung...)
- ActionLib
- Spracherkennung und -synthese
- Steuerung von Roboterarmen mit MoveIt!
- Steuerung des Roboterkopfes für aktive Vision
- Projekt: Suche nach und Sammeln von Objekten
- Fehlerbehebung
Testen Ihres Roboters
- Unit Tests
Woche 04
Erweiterung der Fähigkeiten eines Roboters mit Deep Learning
- Wahrnehmung – Visuelle, akustische und haptische Informationen
- Wissensrepräsentation
- Spracherkennung durch NLP (natürliche Sprachverarbeitung)
- Computer Vision
Schnellkurs zu Deep Learning
- Künstliche neuronale Netze (KNNs)
- Künstliche Neuronale Netzwerke vs. Biologische Neuronale Netzwerke
- Feedforward-Neuronale Netzwerke
- Aktivierungsfunktionen
- Training von Künstlichen neuronalen Netzen
Schnellkurs zu Deep Learning (Fortsetzung...)
- Tiefes Lernmodell
- Convolutional Netzwerke und Rekurrente Netzwerke
- Convolutional Neuronale Netze (CNNs oder ConvNets)
- Konvolutionslayer
- Pooling-Layer
- Architektur von Convolutional Neural Networks
Woche 05
Schnellkurs zu Deep Learning (Fortsetzung...)
- Rekurrente neuronale Netzwerke (RNN)
- Training eines RNNs
- Stabilisierung von Gradienten während des Trainings
- Long Short-Term Memory Networks
- Plattformen und Softwarebibliotheken für Deep Learning
- Deep Learning in ROS
Verwendung von Big Data im Roboter
- Konzepte von Big Data
- Ansätze zur Datenanalyse
- Werkzeuge für Big Data
- Erkennen von Mustern in den Daten
- Übung: NLP und Computer Vision auf großen Datensätzen
Verwendung von Big Data im Roboter (Fortsetzung...)
- Verteilte Verarbeitung großer Datensätze
- Koexistenz und gegenseitige Anregung zwischen Big Data und Robotik
- Der Roboter als Datenproduzent
- Entfernungsmessendes Sensoren, Positionssensoren, visuelle, taktile Sensoren und andere Modalitäten
- Verstehen von sensorischen Daten (Sinn-Plan-Aktions-Schleife)
- Übung: Erfassen von Streamingdaten
Programmierung eines autonomen Deep Learning Roboters
- Komponenten des Deep Learning-Roboters
- Einrichtung der Roboter-Simulation
- Ausführen eines CUDA-geboosteten neuronalen Netzes mit Cafe
- Fehlerbehebung
Woche 06
Programmierung eines autonomen Deep Learning Roboters (Fortsetzung...)
- Erkennen von Objekten in Fotos oder VideoStreams
- Aktivieren der Computer Vision mit OpenCV
- Fehlerbehebung
Datenanalyse
- Verwendung des Roboters zum Sammeln und Organisieren neuer Daten
- Werkzeuge und Prozesse zur Interpretation der Daten
Bereitstellung eines Roboters
- Übergang von einer simulierten Roboter zu physischem Hardware
- Bereitstellung des Roboters in der realen Welt
- Überwachung und Wartung von Robotern im Einsatz
Schutz Ihres Roboters
- Verhinderung unbefugter Manipulationen
- Verhindern, dass Hacker sensible Daten sehen oder stehlen können
Kollektives Bauen eines Roboters
- Bau eines Roboters im Cloud
- Teilnahme am Robotercommunity
Zukunftsperspektiven für Roboter in der Naturwissenschaft und Energieindustrie
Zusammenfassung und Schlussfolgerungen
Voraussetzungen
- Programmiererfahrung in C oder C++
- Programmiererfahrung in Python (nützlich, aber nicht notwendig; kann im Rahmen des Kurses vermittelt werden)
- Erfahrung mit der Linux-Befehlszeile
Zielpublikum
- Entwickler
- Ingenieure
- Wissenschaftler
- Techniker
AI und Robotik für die Nukleartechnik - Erweitert Robotik und Künstliche Intelligenz (KI) sind leistungsstarke Werkzeuge für die Entwicklung von Sicherheitssystemen in nuklearen Anlagen. In dieser von einem Dozenten geleiteten Live-Ausbildung (Online oder vor Ort) werden die Teilnehmer verschiedene Technologien, Frameworks und Techniken zur Programmierung verschiedener Arten von Robotern lernen, die im Bereich der Nukleartechnik und Umwelttechnologie eingesetzt werden. Der 6-wöchige Kurs findet fünf Tage in der Woche statt. Jeder Tag dauert vier Stunden und besteht aus Vorlesungen, Diskussionen und praktischer Robotik-Entwicklung in einer Live-Lab-Umgebung. Die Teilnehmer werden verschiedene realitätsnahe Projekte durchführen, um ihr erworbenes Wissen anzuwenden. Die Zielhardware für diesen Kurs wird über ein Simulationsprogramm dreidimensional simuliert. Als Programmiersprachen werden C++ und Python sowie das Open-Source-Framework ROS (Robot Operating System) verwendet. Am Ende des Trainings werden die Teilnehmer in der Lage sein: Verstehen der Schlüsselbegriffe, die in Robotiktechnologien verwendet werden. Interaktion zwischen Software und Hardware in einem robotischen System verstehen und verwalten. Die Softwarekomponenten, die Robotics unterliegen, verstehen und implementieren. Einen simulierten mechanischen Roboter bauen und betreiben, der sehen, sensorisch erfassen, verarbeiten, navigieren und durch Sprache mit Menschen interagieren kann. Notwendige Elemente künstlicher Intelligenz (Maschinelles Lernen, Deep Learning usw.) verstehen, die zur Erstellung eines intelligenten Roboters angewendet werden können. Filter (Kalman- und Partikelfilter) implementieren, um dem Roboter das Auffinden bewegter Objekte in seiner Umgebung zu ermöglichen. Suchalgorithmen und Bewegungsplanung implementieren. PID-Steuerelemente implementieren, um die Bewegungen eines Roboters innerhalb einer Umgebung zu regulieren. SLAM-Algorithmen (Simultaneous Localization and Mapping) implementieren, um einem Roboter die Karteiung unbekannter Umgebungen zu ermöglichen. Einen Roboter durch Deep Learning in der Ausführung komplexer Aufgaben zu erweitern. Einem Roboter in realitätsnahen Szenarien testen und Fehler beheben.
Format des Kurses Interaktive Vorlesung und Diskussion. Viele Übungen und Übungsstunden. Praktische Umsetzung in einer Live-Lab-Umgebung. Optionen für den Anpassungsprozess des Kurses: Um Teile dieses Kurses anzupassen (Programmiersprache, Robotermodell usw.), kontaktieren Sie uns bitte zur Absprache.
In dieser von einem Dozenten geleiteten Live-Ausbildung in <loc> (Online oder vor Ort) werden die Teilnehmer verschiedene Technologien, Frameworks und Techniken zur Programmierung verschiedener Arten von Robotern lernen, die im Bereich der Nukleartechnik und Umwelttechnologie eingesetzt werden. Der 6-wöchige Kurs findet fünf Tage in der Woche statt. Jeder Tag dauert vier Stunden und besteht aus Vorlesungen, Diskussionen und praktischer Robotik-Entwicklung in einer Live-Lab-Umgebung. Die Teilnehmer werden verschiedene realitätsnahe Projekte durchführen, um ihr erworbenes Wissen anzuwenden. Die Zielhardware für diesen Kurs wird über ein Simulationsprogramm dreidimensional simuliert. Als Programmiersprachen werden C++ und Python sowie das Open-Source-Framework ROS (Robot Operating System) verwendet.
Am Ende des Trainings werden die Teilnehmer in der Lage sein: Verstehen der Schlüsselbegriffe, die in Robotiktechnologien verwendet werden. Interaktion zwischen Software und Hardware in einem robotischen System verstehen und verwalten. Die Softwarekomponenten, die Robotics unterliegen, verstehen und implementieren. Einen simulierten mechanischen Roboter bauen und betreiben, der sehen, sensorisch erfassen, verarbeiten, navigieren und durch Sprache mit Menschen interagieren kann. Notwendige Elemente künstlicher Intelligenz (Maschinelles Lernen, Deep Learning usw.) verstehen, die zur Erstellung eines intelligenten Roboters angewendet werden können. Filter (Kalman- und Partikelfilter) implementieren, um dem Roboter das Auffinden bewegter Objekte in seiner Umgebung zu ermöglichen. Suchalgorithmen und Bewegungsplanung implementieren. PID-Steuerelemente implementieren, um die Bewegungen eines Roboters innerhalb einer Umgebung zu regulieren. SLAM-Algorithmen (Simultaneous Localization and Mapping) implementieren, um einem Roboter die Karteiung unbekannter Umgebungen zu ermöglichen. Einen Roboter durch Deep Learning in der Ausführung komplexer Aufgaben zu erweitern. Einem Roboter in realitätsnahen Szenarien testen und Fehler beheben.
Woche 01 Einführung Was macht einen Roboter intelligent? Physikalische vs. Virtuelle Roboter Intelligente Roboter, intelligente Maschinen, bewusste Maschinen und Robot Process Automation (RPA) usw. Die Rolle der Künstlichen Intelligenz in der Robotik Mehr als "if-then-else" und das Lernmaschine Die Algorithmen hinter der AI Maschinelles Lernen, Computervision, Natürliche Sprachverarbeitung (NLP) usw. Kognitive Robotik Die Rolle des Big Data in der Robotik Entscheidungsfindung basierend auf Daten und Mustererkennung Der Cloud und die Robotics Verbindung von Robotics mit IT Bau von robusteren Robotern, die mehr Informationen erhalten und zusammenarbeiten können Fallstudie: Industrieroboter Mechanische Roboter Baxter Roboter in nuklearen Anlagen Strahlungserkennung und -schutz Roboter in Reaktoren Strahlungserkennung und -schutz Hardwarekomponenten eines Roboters Motoren, Sensoren, Mikrocontroller, Kameras usw. Allgemeine Elemente von Robotern Maschinenvision, Spracherkennung, Sprechsynthese, Näheerkennung, Drucksensoren usw. Entwicklungsumgebungen zur Programmierung eines Roboters Open-Source und kommerzielle Frameworks Robot Operating System (ROS) Architektur: Arbeitsplatz, Themen, Nachrichten, Dienste, Knoten, ActionLibs, Tools usw. Sprachen zur Programmierung eines Roboters C++ für niedrigere Kontrolleinstellungen Python für Orchestration Programmieren von ROS-Knoten in Python und C++ Andere Sprachen Werkzeuge zum Simulieren eines physischen Roboters Kommerzielle und Open-Source-3D-Simulationen und -Visualisierungssoftware
Woche 02 Vorbereitung der Entwicklungsumgebung Softwareinstallation und -Setup Nützliche Pakete und Hilfsprogramme Fallstudie: Mechanische Roboter Roboter im Bereich Nukleartechnik Roboter in Umweltsystemen Programmierung des Roboters Programmieren eines Knotens in Python und C++ Verstehen der ROS-Knoten Nachrichten und Themen in ROS Publikations-/Abonnementparadigma Projekt: Bump & Go mit einem realen Roboter Fehlersuche Simulation von Robotern mit Gazebo/ROS Frames in ROS und Referenzänderungen 2D-Verarbeitung der Informationen einer Kamera mit OpenCV Informationenverarbeitung eines Lasers Projekt: Sicheres Tracking von Objekten nach Farbe Fehlersuche
Woche 03 Programmierung des Roboters (Fortsetzung) Dienste in ROS 3D-Verarbeitung der Informationen von RGB-D-Sensoren mit PCL Karten und Navigation mit ROS Projekt: Suche nach Objekten in der Umgebung Fehlersuche Programmierung des Roboters (Fortsetzung) ActionLib Spracherkennung und Sprachgeneration Steuerung von Roboterarmen mit MoveIt! Steuerung eines robotischen Halses für aktive Vision Projekt: Suche und Sammlung von Objekten Fehlersuche Testen Ihres Roboters Einheitstests
Woche 04 Erweiterung der Fähigkeiten eines Roboters mit Deep Learning Perzeption - Vision, Audio und Haptik Wissensrepräsentation Spracherkennung durch NLP (Natürliche Sprachverarbeitung) Computervision Einführung in Deep Learning Künstliche Neuronale Netze (KNNs) Vergleich von KNNs und biologischen neuronalen Netzwerken Feedforward-Neuronale Netze Aktivierungsfunktionen Trainieren künstlicher neuronaler Netze Einführung in Deep Learning (Fortsetzung) Tiefes Lernen ModelleKonvolutionsschichten und Rekurrente SchichtenKonvolutionsneuronale Netzwerke (CNNs oder ConvNets) Konnektions-Schicht Poolingschicht Architektur von Konvolutionellen Neuronalen Netzen
Woche 05 Einführung in Deep Learning (Fortsetzung) Rekurrente neuronale Netzwerke (RNNs) Trainieren eines RNNs Gradientenstabilisierung während des Trainings Long Short-Term-Memory-Netzwerke Tiefes Lernen-Plattformen und -Softwarebibliotheken Deep Learning in ROS Verwendung von Big Data bei Ihrem Roboter Grundlegende Konzepte der Big Data Ansätze zur Datenanalyse Big-Data-Werkzeuge Mustererkennung in den Daten Übung: NLP und Computervision auf großen Datensätzen Verwendung von Big Data bei Ihrem Roboter (Fortsetzung) Verteilte Verarbeitung großer Datensätze Koexistenz und Kreuzfertilisierung von Big Data und Robotik Der Roboter als Daten-Generator Entfernungsmess-Sensoren, Position, visuelle, taktile Sensoren und andere Modale Sinn machen aus sensorischen Daten (Sense-Plan-Act-Schleife) Übung: Erfassen von Streaming-Daten
Programmierung eines autonomen Deep-Learning-Roboters Komponenten eines tiefen Lernens Roboters Einrichtung des Roboter-Simulators Ausführen eines CUDA-geschützten neuronalen Netzwerks mit Cafe Fehlersuche
Woche 06 Programmierung eines autonomen Deep-Learning-Roboters (Fortsetzung) Erkennen von Objekten in Fotos oder Videoströmen Aktivieren der Computervision mit OpenCV Fehlersuche
Datenanalyse Verwenden des Roboters zum Sammeln und Organisieren neuer Daten Werkzeuge und Prozesse, um den Sinn aus den Daten zu machen
Einsetzen eines Roboters Übertragen eines simulierten Roboters auf physische Hardware Einsetzen des Roboters in der realen Welt Bewachen und Wartung von Robotern im Einsatzgebiet
Sichern Ihres Roboters Vor unbeaufsichtigtem Verändern schützen Verhindern, dass Hacker vertrauliche Daten sehen oder stehlen können
Kollaborative Roboterbau Bauen eines Roboters im Cloud Mit der Robotics-Community zusammenkommen
Zukunftsaussichten von Robotern in den Wissenschaften und Energiebereich
Zusammenfassung und Abschluss
120 Stunden
Erfahrungsberichte (1)
Ich fühle mich damit ausgestattet, die Kernfähigkeiten zu verstehen, wie sich der ROS zusammenfügt und wie man Projekte darin strukturiert.
Dan Goldsmith - Coventry University
Kurs - ROS: Programming for Robotics
Maschinelle Übersetzung
