Ta kontakt

Kursplan

Introduksjon til AI og robotikk

  • Oversikt over konvergensen mellom moderne robotikk og AI
  • Anvendelser i autonome systemer, droner og serviceroboter
  • Viktige AI-komponenter: persepsjon, planlegging og styring

Innstilling av utviklingsmiljøet

  • Installasjon av Python, ROS 2, OpenCV og TensorFlow
  • Bruk av Gazebo eller Webots for robot-simulering
  • Arbeid med Jupyter Notebooks for AI-eksperimenter

Persepsjon og datamaskinseelse

  • Bruk av kameraer og sensorer for persepsjon
  • Bild klassifisering, gjenkjennelse av objekter og segmentering ved hjelp av TensorFlow
  • Kantedetektering og kontur-sporing med OpenCV
  • Sanntids bildestrømming og -behandling

Lokalisering og sensorfusjon

  • Forståelse av probabilistisk robotikk
  • Kalman-filtre og utvidede Kalman-filtre (EKF)
  • Partikelfiltre for ikke-lineære miljøer
  • Integrasjon av LiDAR-, GPS- og IMU-data for lokalisering

Bevegelsesplanlegging og søk etter stier

  • Algoritmer for stiplanlegging: Dijkstra, A* og RRT*
  • Unngåelse av hindringer og kartlegging av miljøet
  • Sanntidsbevegelsesstyring ved hjelp av PID
  • Dynamisk optimering av stier ved hjelp av AI

Forsterkningslæring for robotikk

  • Grunnleggende prinsipper for forsterkningslæring
  • Design av belønningbasert robotatferd
  • Q-læring og Deep Q-Networks (DQN)
  • Integrasjon av RL-agenter i ROS for adaptiv bevegelse

Samtidig lokalisering og kartlegging (SLAM)

  • Forståelse av SLAM-konsepter og arbeidsflyt
  • Implementering av SLAM med ROS-pakker (gmapping, hector_slam)
  • Visuell SLAM ved hjelp av OpenVSLAM eller ORB-SLAM2
  • Testing av SLAM-algoritmer i simulerte miljøer

Avanserte emner og integrasjon

  • Tal og gest-genkjenning for menneske-robot-interaksjon
  • Integrering med IoT og skybaserte robotplattform
  • AI-drevet prediktiv vedlikehold av roboter
  • Etik og sikkerhet i robotikk med AI

Capstone-prosjekt

  • Design og simulering av en intelligent mobil robot
  • Implementering av navigasjon, persepsjon og bevegelsesstyring
  • Demonstrasjon av sanntids beslutningstagning ved hjelp av AI-modeller

Oppsummering og neste steg

  • Gjennomgang av sentrale AI-teknikker for robotikk
  • Framtidstrender i autonom robotikk
  • Ressurser for videre læring

Krav

  • Programmeringserfaring i Python eller C++
  • Grunnleggende forståelse av datavitenskap og ingeniørfag
  • Kjennskap til sannsynlighetsbegreper, kalkulus og lineær algebra

Målgruppe

  • Ingeniører
  • Entusiaster for robotikk
  • Forskere innen automatisering og AI
 21 Timer

Antall deltakere


Pris per deltaker

Referanser (1)

Kommende kurs

Relaterte kategorier