Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a la manipulación robótica y el deep learning
- Resumen de las tareas de manipulación y los componentes del sistema
- Enfoques tradicionales frente a enfoques basados en aprendizaje
- Deep learning en la percepción, la planificación y el control
Percepción para la manipulación
- Sensorización visual y detección de objetos para el agarre
- Visión 3D, sensores de profundidad y procesamiento de nubes de puntos
- Entrenamiento de CNN para la localización y segmentación de objetos
Planificación y detección de agarres
- Algoritmos clásicos de planificación de agarres
- Aprendizaje de poses de agarre a partir de datos y simulación
- Implementación de redes de detección de agarres (p. ej., GGCNN, Dex-Net)
Control y planificación de movimientos
- Cinemática inversa y generación de trayectorias
- Planificación de movimientos basada en aprendizaje y aprendizaje por imitación
- Aprendizaje por refuerzo para políticas de control de manipulación
Integración con ROS 2 y entornos de simulación
- Configuración de nodos de ROS 2 para percepción y control
- Simulación de manipuladores robóticos en Gazebo y Isaac Sim
- Integración de modelos neuronales para el control en tiempo real
Aprendizaje de extremo a extremo para la manipulación
- Combinación de percepción, política y control en redes unificadas
- Uso de datos de demostración para el aprendizaje supervisado de políticas
- Adaptación de dominio entre simulación y hardware real
Evaluación y optimización
- Métricas para el éxito, la estabilidad y la precisión del agarre
- Pruebas bajo condiciones y perturbaciones variables
- Compresión de modelos y despliegue en dispositivos de borde
Proyecto práctico: Agarre robótico basado en deep learning
- Diseño de un flujo de trabajo de percepción a acción
- Entrenamiento y prueba de un modelo de detección de agarres
- Integración del modelo en un brazo robótico simulado
Requerimientos
- Sólido conocimiento de la cinemática y dinámica de la robótica
- Experiencia con Python y frameworks de deep learning
- Familiaridad con ROS o middleware robótico similar
Público objetivo
- Ingenieros de robótica que desarrollan sistemas de manipulación inteligentes
- Especialistas en percepción y control que trabajan en aplicaciones de agarre
- Investigadores y profesionales avanzados en aprendizaje de robots y control basado en IA
28 Horas
Reseñas (2)
Suministro de los materiales (máquina virtual) para comenzar directamente con los ejercicios y explicación del núcleo de ROS2. Por qué las cosas funcionan de cierta manera.
Arjan Bakema
Curso - Autonomous Navigation & SLAM with ROS 2
Traducción Automática
su conocimiento y utilización de la IA para la robótica en el futuro.
Ryle - PHILIPPINE MILITARY ACADEMY
Curso - Artificial Intelligence (AI) for Robotics
Traducción Automática
