AI for Robotics Kurs i Uppsala

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.

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.

ROS 2 (Robot Operating System 2) is an open-source framework designed to support the development of complex and scalable robotic applications.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers and developers who wish to implement autonomous navigation and SLAM (Simultaneous Localization and Mapping) using ROS 2.

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

• Set up and configure ROS 2 for autonomous navigation applications.
• Implement SLAM algorithms for mapping and localization.
• Integrate sensors such as LiDAR and cameras with ROS 2.
• Simulate and test autonomous navigation in Gazebo.
• Deploy navigation stacks on physical robots.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using ROS 2 tools and simulation environments.
• Live-lab implementation and testing on virtual or physical robots.

Course Customization Options

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

Robotik är ett område inom artificiell intelligens (AI) som hanterar programmering och design av intelligenta och effektiva maskiner.

Denna instruktörsledda, live-träning (online eller på plats) riktar sig till ingenjörer som vill programmera och skapa robotar genom grundläggande AI-metoder.

Efter denna träning kommer deltagarna att kunna:

• Implementera filter (Kalman och partikel) för att möjliggöra att roboten kan lokalisera rörelseobjekt i sin omgivning.
• Implementera sökalgoritmer och rörelseplanering.
• Implementera PID-reglering för att reglera en robots rörelse inom en omgivning.
• Implementera SLAM-algoritmer för att möjliggöra att en robot kan karta ut en okänd omgivning.

Format på kursen

• Interaktiv föreläsning och diskussion.
• Många övningar och praktik.
• Praktisk implementering i en live-lab-miljö.

Alternativ för kursanpassning

• För att begära en anpassad träning för denna kurs, kontakta oss för att ordna.

I den här instruktörsledda, live-träningen i Uppsala (online eller på plats) kommer deltagarna att lära sig olika teknologier, ramverk och tekniker för att programmera olika typer av robotar som används inom kärnteknik och miljösystem.

Den 6-veckorskursen hålls 5 dagar i veckan. Varje dag är 4 timmar lång och består av föreläsningar, diskussioner och praktisk robotutveckling i en live-labbmiljö. Deltagarna kommer att slutföra olika realistiska projekt som är tillämpbara på deras arbete för att praktisera sin förvärvade kunskap.

Målhårdvaran för denna kurs kommer att simuleras i 3D med hjälp av simuleringsprogramvara. ROS (Robot Operating System) öppen källkodsramverk, C++ och Python kommer att användas för att programmera robotarna.

I slutet av denna träning kommer deltagarna att kunna:

• Förstå de centrala begreppen som används inom robotteknik.
• Förstå och hantera interaktionen mellan programvara och hårdvara i ett robotsystem.
• Förstå och implementera programvarukomponenter som ligger till grund för robotik.
• Bygga och driva en simulerad mekanisk robot som kan se, känna, bearbeta, navigera och interagera med människor genom röst.
• Förstå de nödvändiga elementen i artificiell intelligens (maskininlärning, djupinlärning etc.) som är tillämpliga för att bygga en smart robot.
• Implementera filter (Kalman och Particle) för att möjliggöra för roboten att lokalisera rörelseobjekt i sin omgivning.
• Implementera sökalgoritmer och rörelseplanering.
• Implementera PID-reglering för att reglera en robots rörelse inom en miljö.
• Implementera SLAM-algoritmer för att möjliggöra för en robot att kartlägga en okänd miljö.
• Utöka en robots förmåga att utföra komplexa uppgifter med hjälp av Deep Learning.
• Testa och felsöka en robot i realistiska scenarier.

I denna instruktörsledda, live-träning på plats (online eller på plats) kommer deltagarna att lära sig olika tekniker, ramverk och tekniker för programmering av olika typer av robotar som används inom kärnteknik och miljösystem.

Den 4-veckors kursen hålls 5 dagar i veckan. Varje dag är 4 timmar lång och består av föreläsningar, diskussioner och praktiska robotutvecklingar i en live-labbmiljö. Deltagarna kommer att slutföra olika realistiska projekt som är applicerbara på deras arbete för att öva sin förvärvade kunskap.

Målanvändningshårdvaran för denna kurs kommer att simuleras i 3D med hjälp av simuleringssoftvara. Kod kommer sedan att laddas upp på fysisk hårdvara (Arduino eller annat) för slutlig testning av distribution. ROS (Robot Operating System) öppen källkod ramverk, C++ och Python kommer att användas för att programmera robotarna.

Vid slutet av denna träning kommer deltagarna att kunna:

• Förstå de nyckelkoncept som används inom robotteknik.
• Förstå och hantera interaktionen mellan programvara och hårdvara i ett robotiskt system.
• Förstå och implementera programvarukomponenterna som ligger till grund för robotik.
• Bygga och driva en simulerad mekanisk robot som kan se, känna, bearbeta, navigera och interagera med människor genom röst.
• Förstå de nödvändiga elementen av artificiell intelligens (maskininlärning, djuplärning, etc.) som är tillämpliga för att bygga en smart robot.
• Implementera filter (Kalman och Particle) för att låta roboten lokalisera rörelseobjekt i sin omgivning.
• Implementera sökalgoritmer och rörelseplanering.
• Implementera PID-kontroller för att reglera en robots rörelse inom en miljö.
• Implementera SLAM-algoritmer för att låta en robot kartlägga en okänd miljö.
• Testa och felsöka en robot i realistiska scenarier.