Autonomous Navigation & SLAM with ROS 2 Schulung

Robotik ist ein Bereich der Künstlichen Intelligenz (KI), der sich mit der Programmierung und dem Design intelligenter und effizienter Maschinen beschäftigt.

Diese von einem Trainer angeführte, live-Unterrichtseinheit (online oder vor Ort) richtet sich an Ingenieure, die Roboter durch grundlegende KI-Methoden programmieren und erstellen möchten.

Am Ende dieser Ausbildung werden die Teilnehmer in der Lage sein:

• Filter (Kalman-Filter und Partikelfilter) zu implementieren, um dem Roboter zu ermöglichen, bewegliche Objekte in seiner Umgebung zu lokalisieren.
• Suchalgorithmen und Bewegungsplanung zu implementieren.
• PID-Steuerungen zu implementieren, um die Bewegung des Roboters innerhalb einer Umgebung zu regulieren.
• SLAM-Algorithmen zu implementieren, um einem Roboter das Kartieren einer unbekannten Umgebung zu ermöglichen.

Kursformat

• Interaktiver Vortrag und Diskussion.
• Viel Übung und Praxis.
• Hands-on-Implementierung in einer Live-Lab-Umgebung.

Anpassungsoptionen des Kurses

• Für eine angepasste Schulung zu diesem Kurs kontaktieren Sie uns, um die Einzelheiten zu klären.

In diesem von einem Trainer durchgeführten Live-Seminar in Deutschland (vor Ort oder online) lernen die Teilnehmer verschiedene Technologien, Frameworks und Techniken kennen, um unterschiedliche Roboterarten zu programmieren, die im Bereich der Kern-Technologie und Umweltsystemen eingesetzt werden.

Das 6-wöchige Seminar findet von Montag bis Freitag statt. Jeder Tag dauert 4 Stunden und besteht aus Vorlesungen, Diskussionen sowie praktischer Robotikentwicklung in einer Live-Lab-Umgebung. Die Teilnehmer werden verschiedene realitätsnahe Projekte durchführen, um ihr erworbenes Wissen anzuwenden.

Das Zielgerät für dieses Seminar wird über Simulationssoftware in 3D simuliert. Als Programmiersprachen und Frameworks werden ROS (Robot Operating System), C++ und Python verwendet.

Am Ende des Seminars können die Teilnehmer Folgendes:

• Grundlegende Konzepte der Robotik verstehen.
• Die Interaktion zwischen Software und Hardware in einem Robotersystem verstehen und verwalten.
• Die Softwarekomponenten, die die Robotik untermauern, verstehen und implementieren.
• Einen simulierten mechanischen Roboter bauen und betreiben, der sehen, wahrnehmen, verarbeiten, navigieren und durch Sprache mit Menschen interagieren kann.
• Die notwendigen Elemente der Künstlichen Intelligenz (Maschinelles Lernen, Tiefes Lernen usw.) verstehen, die zum Aufbau eines intelligenten Roboters relevant sind.
• Filter (Kalman und Teilchen) implementieren, um den Roboter zu ermöglichen, sich bewegende Objekte in seiner Umgebung zu lokalisieren.
• Suchalgorithmen und Bewegungsplanung implementieren.
• PID-Kontrolle implementieren, um die Bewegung eines Roboters innerhalb einer Umgebung zu regulieren.
• SLAM-Algorithmen implementieren, damit ein Roboter eine unbekannte Umgebung kartieren kann.
• Die Fähigkeit des Roboters, komplexe Aufgaben durchzuführen, durch Tiefes Lernen zu erweitern.
• Einen Roboter in realistischen Szenarien testen und fehlersuchen.

In diesem von einem Dozenten angeleiteten Live-Ausbildung in Deutschland (Online oder vor Ort) werden die Teilnehmer/innen verschiedene Technologien, Frameworks und Methoden kennenlernen, um unterschiedliche Roboterarten für den Einsatz im Bereich der Kernenergie-Technologie und Umweltsysteme zu programmieren.

Der 4-wöchige Kurs findet fünfmal pro Woche statt. Jeder Tag dauert vier Stunden und besteht aus Vorlesungen, Diskussionen und praktischer Robotikentwicklung in einer Live-Lab-Umgebung. Die Teilnehmer/innen werden verschiedene real-world-Projekte durchführen, die auf ihrem Beruf abgestimmt sind, um ihr erworbenes Wissen zu üben.

Das Zielhardware für diesen Kurs wird durch Simulationssoftware in 3D simuliert. Der Code wird dann auf physische Hardware (z.B. Arduino oder andere) geladen, um die finale Deployment-Tests durchzuführen. Für die Programmierung der Roboter werden das Open-Source-Framework ROS (Robot Operating System), C++ und Python verwendet.

Am Ende dieser Ausbildung können die Teilnehmer/innen Folgendes:

• Die Schlüsselkonzepte in Robotertechnologien verstehen.
• Das Zusammenspiel von Software und Hardware in einem robotischen System verstehen und managen.
• Die Softwarekomponenten, die der Robotik zugrunde liegen, verstehen und implementieren.
• Einen simulierten mechanischen Roboter bauen und bedienen, der sehen, spüren, verarbeiten, navigieren und sich durch Sprache mit Menschen interagieren kann.
• Die notwendigen Elemente von Künstlicher Intelligenz (Maschinelles Lernen, Deep Learning usw.) verstehen, die zur Erstellung eines intelligenten Roboters erforderlich sind.
• Filter (Kalman und Teilchen) implementieren, um dem Roboter das Auffinden bewegter Objekte in seiner Umgebung zu ermöglichen.
• Suchalgorithmen und Bewegungsplanung implementieren.
• PID-Regler implementieren, um die Bewegung eines Roboters innerhalb einer Umgebung zu regulieren.
• SLAM-Algorithmen implementieren, um einem Roboter das Kartographieren einer unbekannten Umgebung zu ermöglichen.
• Einen Roboter in realistischen Szenarien testen und fehlersuchen.

OpenCV is an open-source computer vision library that enables real-time image processing, while deep learning frameworks such as TensorFlow provide the tools for intelligent perception and decision-making in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers, computer vision practitioners, and machine learning engineers who wish to apply computer vision and deep learning techniques for robotic perception and autonomy.

By the end of this training, participants will be able to:

• Implement computer vision pipelines using OpenCV.
• Integrate deep learning models for object detection and recognition.
• Use vision-based data for robotic control and navigation.
• Combine classical vision algorithms with deep neural networks.
• Deploy computer vision systems on embedded and robotic platforms.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using OpenCV and TensorFlow.
• Live-lab implementation on simulated or physical robotic systems.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Edge AI enables artificial intelligence models to run directly on embedded or resource-constrained devices, reducing latency and power consumption while increasing autonomy and privacy in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level embedded developers and robotics engineers who wish to implement machine learning inference and optimization techniques directly on robotic hardware using TinyML and edge AI frameworks.

By the end of this training, participants will be able to:

• Understand the fundamentals of TinyML and edge AI for robotics.
• Convert and deploy AI models for on-device inference.
• Optimize models for speed, size, and energy efficiency.
• Integrate edge AI systems into robotic control architectures.
• Evaluate performance and accuracy in real-world scenarios.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using TinyML and edge AI toolchains.
• Practical exercises on embedded and robotic hardware platforms.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Reinforcement learning (RL) is a machine learning paradigm where agents learn to make decisions by interacting with an environment. In robotics, RL enables autonomous systems to develop adaptive control and decision-making capabilities through experience and feedback.

This instructor-led, live training (online or onsite) is aimed at advanced-level machine learning engineers, robotics researchers, and developers who wish to design, implement, and deploy reinforcement learning algorithms in robotic applications.

By the end of this training, participants will be able to:

• Understand the principles and mathematics of reinforcement learning.
• Implement RL algorithms such as Q-learning, DDPG, and PPO.
• Integrate RL with robotic simulation environments using OpenAI Gym and ROS 2.
• Train robots to perform complex tasks autonomously through trial and error.
• Optimize training performance using deep learning frameworks like PyTorch.

Format of the Course

• Interactive lecture and discussion.
• Hands-on implementation using Python, PyTorch, and OpenAI Gym.
• Practical exercises in simulated or physical robotic environments.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.