Edge AI for Robots: TinyML, On-Device Inference & Optimization Treningskurs

Robotikk er et område innen kunstig intelligens (AI) som handler om programmering og design av intelligente og effektive maskiner.

Denne instruktørledede, live-treningen (online eller på stedet) er rettet mot ingeniører som ønsker å programmere og skape roboter ved hjelp av grunnleggende AI-metoder.

Ved avslutningen av denne treningen vil deltakerne kunne:

• Implementere filtre (Kalman og partikkelfilter) for å gjøre det mulig for roboten å lokalisere bevegelige objekter i sin omgivelse.
• Implementere søkealgoritmer og bevegelsesplanlegging.
• Implementere PID-kontroller for å regulere roboten bevegelser innenfor en omgivelse.
• Implementere SLAM-algoritmer for å gjøre det mulig for en robot å kartlegge en ukjent omgivelse.

Kursformat

• Interaktiv forelesning og diskusjon.
• Mange øvelser og praktisk arbeid.
• Hånd-på-til-til implementering i et live-lab-miljø.

Tilpasningsmuligheter for kurset

• For å be om et tilpasset kurs for dette kurset, vennligst kontakt oss for å avtale.

I denne instruktørledede, live opplæring (online eller på sted), vil deltakerne lære om de ulike teknologiene, rammeverkene og teknikkene for å programmere ulike typer roboter som kan brukes innen kjernefysisk teknologi og miljøsystemer.

Denne 6-ukers kurset holdes 5 dager i uken. Hver dag er 4 timer lang og består av forelesninger, diskusjoner og praktisk robotutvikling i et levende laboratoriumsmiljø. Deltakerne vil fullføre ulike virkelige prosjekter som er relevante for deres arbeid for å praktisere sin erfaring.

Målhardware for dette kurset vil bli simulert i 3D gjennom simuleringsprogramvare. ROS (Robot Operating System) open-source rammeverket, C++ og Python vil bli brukt for å programmere robotene.

Ved kursets slutt vil deltakerne kunne:

• Forstå de viktige konseptene som brukes i robotteknologi.
• Forstå og håndtere samspillet mellom programvare og hardware i et robotikk-system.
• Forstå og implementere de programvarekomponentene som ligger til grunn for robotikk.
• Bygge og operere en simulert mekanisk robot som kan se, sanse, prosessere, navigere og interagere med mennesker gjennom stemme.
• Forstå de nødvendige elementene i kunstig intelligens (maskinlæring, dyp lærings osv.) som er relevante for å bygge en smart robot.
• Implementere filtre (Kalman og Partikkelfiltre) for å la roboten lokalisere bevegelige objekter i sin omgivelse.
• Implementere søkealgoritmer og bevegelsesplanlegging.
• Implementere PID-regulering for å regulere en robots bevegelse innenfor et miljø.
• Implementere SLAM-algoritmer for å la en robot kartlegge et ukjent miljø.
• Utvide en robots evne til å utføre komplekse oppgaver gjennom Deep Learning.
• Teste og feilsøke en robot i realistiske scenarier.

I denne instruktørlede, live-trening i Norge (online eller på sted), vil deltakerne lære om de forskjellige teknologiene, rammeverkene og teknikkene for programmering av forskjellige typer roboter som skal brukes innenfor kjernekraftteknologi og miljøsystemer.

Den 4-ukers kurset holdes 5 dager i uken. Hver dag er 4 timer lang og består av forelesninger, diskusjoner og hånd-på utvikling av roboter i et levende laboratoriemiljø. Deltakerne vil fullføre ulike realistiske prosjekter som er relevante for deres arbeid for å øve den ervervede kunnskapen.

Målhardware for dette kurset vil bli simulert i 3D gjennom simuleringssoftware. Koden vil deretter bli lastet opp på fysisk hardware (Arduino eller annet) for endelig utplasserings-testing. ROS (Robot Operating System) open-source rammeverk, C++ og Python vil bli brukt for programmering av robotene.

Ved avslutningen av denne treningen vil deltakerne kunne:

• Forstå de viktige konseptene som brukes i robotteknologi.
• Forstå og administrere interaksjonen mellom programvare og hardware i et robot-system.
• Forstå og implementere programvarekomponentene som ligger til grunn for robotikk.
• Bygge og drifte en simulert mekanisk robot som kan se, føle, behandle, navigere og interagere med mennesker gjennom stemme.
• Forstå de nødvendige elementene av kunstig intelligens (maskinlæring, dyp læring, etc.) som er anvendbare for å bygge en smart robot.
• Implementere filtre (Kalman og Particle) for å muliggjøre at roboten kan lokalisere bevegelige objekter i sin omgivelse.
• Implementere søkealgoritmer og bevegelsesplanlegging.
• Implementere PID-kontroller for å regulere en robots bevegelse innenfor en omgivelse.
• Implementere SLAM-algoritmer for å muliggjøre at en robot kan kartlegge et ukjent miljø.
• Test og feilsøke en robot i realistiske scenarier.

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.

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.

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.