Online Autonomous Vehicles (AVs) Treningskurs i Norge

Denne instruktørledede, live-opplæringen (online eller på stedet) er rettet mot fagfolk på nybegynnernivå som ønsker å utforske de etiske dilemmaene og de juridiske rammene rundt autonome kjøretøy.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de etiske implikasjonene av AI-drevet beslutningstaking i autonome kjøretøy.
• Analysere globale juridiske rammeverk og retningslinjer som regulerer selvkjørende biler.
• Undersøke ansvar og ansvarlighet ved autonome kjøretøyulykker.
• Evaluere balansen mellom innovasjon og offentlig sikkerhet i lover om autonom kjøring.
• Diskutere casestudier fra virkeligheten som involverer etiske dilemmaer og juridiske tvister.

Dette er et kurs i regi av instruktør, gjennomført som fjernundervisning eller på stedet, og er beregnet for nybegynnere og entusiaster som ønsker å forstå de grunnleggende konseptene, teknologiene og bruksområdene for selvkjørende kjøretøy.

Etter fullført kurs vil deltakerne kunne:

• Forstå de viktigste komponentene og virkemåtene til selvkjørende kjøretøy.
• Utforske rollen til kunstig intelligens (AI), sensorer og sanntidsdatabehandling i selvkjørende systemer.
• Analysere ulike nivåer av kjøretøyautonomi og deres anvendelser i den virkelige verden.
• Undersøke de etiske, juridiske og regulatoriske aspektene ved autonom mobilitet.
• Få praktisk erfaring med simuleringer av selvkjørende kjøretøy.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot nettverksingeniører på mellomnivå og utviklere innenfor bil-IoT som ønsker å forstå og implementere V2X-kommunikasjonsteknologier for autonome kjøretøy.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene innen V2X-kommunikasjon.
• Analysere V2V-, V2I-, V2P- og V2N-kommunikasjonsmodeller.
• Implementere V2X-protokoller som DSRC og C-V2X.
• Utvikle simuleringer for tilkoblede kjøretøymiljøer.
• Håndtere sikkerhets- og personvernutfordringer i V2X-nettverk.

Denne instruktørledede, live opplæringen i Norge (online eller på stedet) er rettet mot ingeniører på mellomnivå, fagfolk innen bilindustrien og IoT-spesialister som ønsker å forstå sensorenes rolle i selvkjørende biler, og dekker LiDAR, radar, kameraer og sensorfusjonsteknikker.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de forskjellige typene sensorer som brukes i autonome kjøretøy.
• Analysere sensordata for sanntids kjøretøypersepsjon og beslutningstaking.
• Implementere sensorfusjonsteknikker for å forbedre kjøretøyets nøyaktighet og sikkerhet.
• Optimalisere sensorplassering og kalibrering for forbedret ytelse for autonom kjøring.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot sikkerhetsingeniører og fagfolk innen bilindustrien som ønsker å utvikle omfattende sikkerhetsstrategier for autonome kjøretøy, inkludert risikoanalyse, funksjonell sikkerhetsvurdering og overholdelse av internasjonale standarder.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Identifisere og vurdere sikkerhetsrisikoer knyttet til autonome kjøresystemer.
• Gjennomføre risikoanalyse og risikovurdering ved hjelp av bransjestandarder.
• Implementere sikkerhetsvalidering og verifiseringsmetoder for AV-systemer.
• Anvende funksjonelle sikkerhetsstandarder, som ISO 26262 og SOTIF.
• Utvikle risikoreduserende strategier for sikkerhetsutfordringer knyttet til autonome kjøretøy.

Dette instruktørledede kurset, som tilbys både online og på stedet, er rettet mot erfarne spesialister innen sensorfusjon og AI-ingeniører som ønsker å utvikle algoritmer for fusjon av flere sensorer og optimalisere sanntidsnavigasjon i autonome systemer.

Etter fullført opplæring vil deltakerne kunne:

• Forstå grunnleggende prinsipper og utfordringer knyttet til datafusjon fra flere sensorer.
• Implementere algoritmer for sensorfusjon for sanntidsnavigasjon i autonome systemer.
• Integrere data fra LiDAR, kameraer og RADAR for å forbedre oppfattelsesevnen.
• Analysere og evaluere ytelsen til fusjonssystemet under ulike forhold.
• Utvikle praktiske løsninger for støyreduksjon i sensorer og datajustering.

Dette instruktørlede, live-trening i Norge (online eller på stedet) er rettet mot mellomnivå AI-utviklere og databehandlingsingeniører som ønsker å bygge robuste visjonssystemer for autonome kjøretøysapplikasjoner.

Ved slutten av denne treningen vil deltakerne kunne:

• Forstå grunnleggende konsepter innen databehandling i autonome kjøretøy.
• Implementere algoritmer for gjenkjenning av objekter, kjørestrek og semantisk segmentering.
• Integriere visjonssystemer med andre subsystemer i autonome kjøretøy.
• Bruke dype læringsteknikker for avanserte oppfatningstjenester.
• Vurdere ytelsen til databehandlingsmodeller i virkelige scenarier.

Denne instruktørledede opplæringen, som kan gjennomføres online eller på stedet, er rettet mot erfarne robotikk-ingeniører og AI-forskere som ønsker å implementere sofistikerte algoritmer for baneplanlegging for å forbedre ytelsen til autonome kjøretøy.

Etter fullført opplæring vil deltakerne kunne:

• Forstå de teoretiske grunnlagene for avanserte algoritmer for baneplanlegging.
• Implementere algoritmer som RRT*, A*, og D* for navigasjon i sanntid.
• Optimalisere baneplanlegging for unngåelse av hindringer og dynamiske miljøer.
• Integrere algoritmer for baneplanlegging med sensordata for økt nøyaktighet.
• Evaluere ytelsen til ulike algoritmer i praktiske scenarier.

Denne opplæringen ledet av en instruktør (online eller på sted) retter seg mot dataforskere på avansert nivå, AI-spesialister og utviklere av AI for biler som ønsker å bygge, trene og optimalisere AI-modeller for selvkjøre bilapplikasjoner.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper for AI og dyp lærings i sammenheng med selvkjøre biler.
• Implementere datamaskinvise teknikker for reeltid-objektdeteksjon og sporfølging.
• Bruke forsterkning lærings for beslutningsprosesser i selvkjøre systemer.
• Integrere sensorfusjonsteknikker for bedre oppfatning og navigering.
• Bygge dype læringsmodeller for å forutsi og analysere kjøresituasjoner.