Kursplan

Introduktion till AI och robotik

  • Översikt över modern robotik och AI:s samverkan
  • Tillämpningar inom autonoma system, drönare och service-robotar
  • Nyckel AI-komponenter: uppfattning, planering och styrning

Installation av utvecklingsmiljö

  • Installation av Python, ROS 2, OpenCV och TensorFlow
  • Användning av Gazebo eller Webots för robotiksimulering
  • Arbeta med Jupyter Notebooks för AI-experiment

Uppfattning och datorseende

  • Användning av kameror och sensorer för uppfattning
  • Bildklassificering, objekterkänning och segmentering med TensorFlow
  • Kantidentifiering och konturspårning med OpenCV
  • Real-tids bildströmning och bearbetning

Lokaliserings- och sensorfusning

  • Förståelse av sannolikhetsbaserad robotik
  • Kalmanfilter och Extended Kalman Filters (EKF)
  • Partikelfilter för icke-linjära miljöer
  • Integrering av LiDAR, GPS och IMU-data för lokaliseringsändamål

Rörelseplanering och sökvägsbestämning

  • Sökvägsplaneringsalgoritmer: Dijkstra, A* och RRT*
  • Hindrande undvikande och miljökartläggning
  • Real-tids rörelsestyrning med PID
  • Dynamisk sökvägsoptimering med AI

Reinforcement learning för robotik

  • Grundläggande koncept inom reinforcement learning
  • Design av belöningsbaserade robotbeteenden
  • Q-lärande och Deep Q-Networks (DQN)
  • Integrering av RL-agenter i ROS för anpassad rörelse

Simultaneous Localization and Mapping (SLAM)

  • Förståelse av SLAM-koncept och arbetsflöden
  • Implementering av SLAM med ROS-paket (gmapping, hector_slam)
  • Visuell SLAM med OpenVSLAM eller ORB-SLAM2
  • Testning av SLAM-algoritmer i simulerade miljöer

Fördjupade ämnen och integration

  • Tal- och gesterkänning för människo-robotinteraktion
  • Integration med IoT och molnrobotikplattformar
  • AI-driven prediktiv underhållning för robotar
  • Etik och säkerhet inom AI-driven robotik

Projektexamensarbete

  • Utforma och simulera en intelligent mobilrobot
  • Implementera navigation, uppfattning och rörelsestyrning
  • Demonstrera real-tids beslutsfattande med AI-modeller

Sammanfattning och nästa steg

  • Översikt över viktiga AI-robotiktekniker
  • Framtida trender inom autonoma robotar
  • Resurser för fortsatt lärande

Krav

  • Programmerings erfarenhet i Python eller C++
  • Grundläggande förståelse för data- och teknikvetenskap
  • Kännedom om sannolikhetsbegrepp, matematisk analys och linjär algebra

Målgrupp

  • Ingenjörer
  • Robotikentusiaster
  • Forskare inom automatisering och AI
 21 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (1)

Kommande Kurser

Relaterade Kategorier