AI for Robotics Kurs i Norge

Edge AI gjør det mulig å kjøre kunstige intelligensmodeller direkte på innebyggede eller ressursbegrensete enheter, noe som reduserer latenstid og strømforbruk samtidig som autonomi og privatliv blir økt i robotiske systemer.

Dette instruktørførte, live-treningen (online eller på stedet) er rettet mot mellomnivå innebyggede utviklere og robotikk ingeniører som ønsker å implementere maskinlæring inferens- og optimeringsteknikker direkte på robotikk hardvara ved hjelp av TinyML og Edge AI rammeverk.

Til slutt av denne treningen vil deltakerne kunne:

• Få en forståelse for grunnleggende prinsipper i TinyML og edge AI for robotikk.
• Konvertere og distribuere AI-modeller for inferens på enheten.
• Optimere modeller for hastighet, størrelse og energieffektivitet.
• Integrasjon av edge AI-systemer i robotikk kontrollarkitekturer.
• Vurdere ytelse og nøyaktighet i sanne miljøer.

Kursformat

• Interaktiv forelesning og diskusjon.
• Praktisk øvelse ved hjelp av TinyML- og edge AI-verktøykasser.
• Pedagogiske øvelser på innebyggede og robotikk hardvara platformer.

Kurs tilpasningsmuligheter

• For å be om en tilpasset trening for dette kurset, vennligst kontakt oss for å avtale.

Denne instruktørledede, live-opplæringen på Norge (online eller på stedet) er rettet mot deltakere på mellomnivå som ønsker å utforske rollen til samarbeidsroboter (cobots) og andre menneskesentrerte AI-systemer i moderne arbeidsmiljøer.

Ved slutten av denne opplæringen vil deltakerne være i stand til å:

• Forstå prinsippene for menneskesentrerte fysiske AI og dens applikasjoner.
• Utforske rollen til samarbeidsroboter i å øke produktiviteten på arbeidsplassen.
• Identifisere og håndtere utfordringer i menneske-maskininteraksjoner.
• Utforme arbeidsflyter som optimaliserer samarbeidet mellom mennesker og AI-styrte systemer.
• Fremme en kultur for innovasjon og tilpasningsevne i AI-integrerte arbeidsmiljøer.

Reinforcement learning (RL) er en maskinlæringsteori der tillater agenter å lære å ta beslutninger ved å interagere med et miljø. I robotikk lar RL autonome systemer utvikle tilpassede kontroll- og beslutningskapasiteter gjennom erfaring og tilbakemelding.

Dette instruktørførte, live-treningen (online eller på stedet) er rettet mot avanserte maskinlæringsingeniører, robotikkforskere og utviklere som ønsker å designe, implementere og distribuere reinforcement learning-algoritmer i robotapplikasjoner.

Avslutningen av denne treningen vil deltagene kunne:

• Føre ut prinsipper og matematikk rundt reinforcement learning.
• Implementere RL-algoritmer som Q-learning, DDPG og PPO.
• Integrasjon av RL med robotikksimuleringmiljøer ved hjelp av OpenAI Gym og ROS 2.
• Trene roboter til å utføre komplekse oppgaver autonomt gjennom prøv og feil.
• Optimere treningseffektivitet ved hjelp av deep learning-rammeverk som PyTorch.

Kursformat

• Interaktiv forelesning og diskusjon.
• Praktisk implementering ved hjelp av Python, PyTorch og OpenAI Gym.
• Pedagogiske øvelser i simulerte eller fysiske robotikkmiljøer.

Kursinnhold tilpassningsoptsjoner

• For å be om en tilpasset trening for dette kurset, vennligst kontakt oss for å avtale.

OpenCV er et open-source bibliotek for datavisjon som gjør det mulig å behandle bilder i sanntid, mens deep learning rammerverk som TensorFlow gir verktøyene for intelligent oppfattelse og beslutningsprosesser i robotikk-systemer.

Dette instruktørflyttere, live-treningen (online eller på stedet) er rettet mot mellomnivå-robotikk-ingeniører, datavisjon-praktikere og maskinlæring-ingeniører som ønsker å anvende datavisjons- og deep learning-teknikker for robotikk-persepsjon og autonomi.

Etter denne treningen vil deltakerne kunne:

• Implementere datavisjons-rørledninger ved hjelp av OpenCV.
• Tilpasse deep learning-modeller for objektetekning og -gjenkjenning.
• Bruk visuelt data til robotikk-styring og navigasjon.
• Kombinere klassiske visjonsalgoritmer med dype nevrale nettverk.
• Distribuere datavisjons-systemer på inbyggede og robotikk-plattformer.

Kursformat

• Interaktiv forelesning og diskusjon.
• Håndig praksis ved hjelp av OpenCV og TensorFlow.
• Liv-lab implementasjon på simulerede eller fysiske robotikk-systemer.

Kurs tilpassingsalternativer

• For å be om en tilpasset trening for dette kurset, vennligst kontakt oss for å avtale.

Denne instruktørledede, live-opplæringen (online eller på sted) er rettet mot avanserte robotikkingeniører og AI-forskere som ønsker å bruke Multimodal AI til å integrere ulike sensoriske data for å skape mer autonome og effektive roboter som kan se, høre og føle.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Implementere multimodal sensorikk i robotiske systemer.
• Utvikle AI-algoritmer for sensorfusjon og beslutningsprosesser.
• Skape roboter som kan utføre komplekse oppgaver i dynamiske miljøer.
• Takle utfordringer i sanntidsdataforedling og aktivering.

Smart Robotics er integreringen av kunstig intelligens i robotteknologi for forbedret oppfatning, beslutningsfaglighet og autonom kontroll.

Denne instruktørledede, live-training (online eller på sted) er rettet mot avanserte robotteknikere, systemintegratører og automatiseringsledere som ønsker å implementere AI-drevet oppfatning, planlegging og kontroll i smarte produksjonsmiljøer.

Ved slutten av denne opplæringen vil deltakerne være i stand til å:

• Forstå og anvende AI-teknikker for robotteknologi og sensorfusjon.
• Utvikle bevegelsesplanleggingsalgoritmer for samarbeids- og industrirobotter.
• Utplassere læringbaserte kontrollstrategier for realtidsbeslutninger.
• Integrere intelligente robottersystemer i smarte fabrikkarbeidsflyter.

Kursformat

• Interaktiv forelesning og diskusjon.
• Mange øvelser og praksis.
• Hånds-on implementering i en live-lab-miljø.

Kurskustomiseringsalternativer

• For å be om en tilpasset opplæring for dette kurset, kontakt oss for å avtale.

ROS 2 (Robot Operating System 2) er en open-source ramme som er utviklet for å støtte utviklingen av komplekse og skalablene robotapplikasjoner.

Dette instruktørledede, live-treningen (online eller på stedet) er rettet mot mellomnivås robotikkforskere og utviklere som ønsker å implementere selvstyrende navigasjon og SLAM (Simultaneous Localization and Mapping) ved hjelp av ROS 2.

Avslutningen på denne treningen vil deltakerne kunne:

• Konfigurere og sette opp ROS 2 for selvstyrende navigasjonsapplikasjoner.
• Implementere SLAM-algoritmer for kartlegging og lokalisering.
• Integrasjon av sensorer som LiDAR og kameraer med ROS 2.
• Simulere og teste selvstyrende navigasjon i Gazebo.
• Distribuere navigasjonsstacks på fysiske roboter.

Kursformat

• Interaktiv forelesning og diskusjon.
• Håndværkspraksis ved hjelp av ROS 2-verktøy og simuleringsmiljøer.
• Livslab-implementering og testing på virtuelle eller fysiske roboter.

Kursinnholdstillpasningsmuligheter

• For å be om et tilpasset trening for dette kurset, vennligst kontakt oss for å ordne.

Denne instruktørledede, live-treningen på Norge (online eller på stedet) er rettet mot deltakere på mellomnivå som ønsker å forbedre ferdighetene sine i design, programmering og implementering av intelligente robotiske systemer for automatisering og mer.

Etter fullført treningskurs vil deltakerne kunne:

• Forstå prinsippene for Physical AI og dens anvendelser innen robotteknologi og automatisering.
• Design og programmere intelligente robotiske systemer for dynamiske miljøer.
• Implementere AI-modeller for selvstendig beslutningstaking i roboter.
• Utnytte simuleringverktøy for robotteknisk testing og optimalisering.
• Håndtere utfordringer som sensorfusjon, sanntidsbehandling og energieffektivitet.

Kunstig intelligens (AI) for robotikk kombinerer maskinlæring, styringssystemer og sensorfusjon for å opprette intelligente maskiner som er i stand til å oppfatte, resonnere og handle uavhengig. Gjennom moderne verktøy som ROS 2, TensorFlow og OpenCV, kan ingeniører nå designe roboter som navigerer, planlegger og interagerer med reelle miljøer på en intelligent måte.

Dette instruktørbaserte, liveopplæringen (online eller på stedet) er rettet mot mellomnivå ingeniører som ønsker å utvikle, trene og distribuere AI-drevne robotiske systemer ved hjelp av aktuelle open-source teknologier og rammer.

Etter dette opplæringskurset vil deltakerne kunne:

• Bruke Python og ROS 2 for å bygge og simulere robotisert oppførsel.
• Implementere Kalman- og partikkelfiltre for lokaliserings- og sporingsformål.
• Anvende datavisualiserings teknikker ved hjelp av OpenCV for oppfatning og objekterkennelse.
• Bruke TensorFlow for bevegelsesprediksjon og læring basert på styring.
• Integrasjon av SLAM (Simultaneous Localization and Mapping) for uavhengig navigasjon.
• Utvikle reinforsement learning-modeller for å forbedre robotens beslutningsprosesser.

Kursformat

• Interaktiv forelesning og diskusjon.
• Håndtering ved hjelp av ROS 2 og Python.
• Praktiske øvelser med simulerte og reelle robotmiljøer.

Kursanpassningsmuligheter

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avta ordningene.

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.

Azure Bot Service kombinerer styrken til Microsoft Bot Framework og Azure-funksjoner for å muliggjøre rask utvikling av intelligente boter.

I denne instruktørledede, live-trainingen vil deltakere lære å enkelt opprette en intelligent bot ved hjelp av Microsoft Azure.

Ved slutten av denne treningen vil deltakere kunne:

• Lære grunnleggende om intelligente boter
• Lære å opprette intelligente boter ved hjelp av skyapplikasjoner
• Forstå hvordan man bruker Microsoft Bot Framework, Bot Builder SDK og Azure Bot Service
• Forstå hvordan man designer boter ved hjelp av botmønstre
• Utvikle sin første intelligente bot ved hjelp av Microsoft Azure

Målgruppe

• Utviklere
• Hobbyister
• Ingeniører
• IT-profesjonelle

Kursformat

• Delvis forelesning, delvis diskusjon, øvelser og mye hånds-on praksis

En bot eller chatbot er som en dataassistent som brukes til å automatisere brukerinteraksjoner på ulike meldingsplattformer og få ting gjort raskere uten at brukerne trenger å snakke med et annet menneske.

I denne instruktørledede, live-opplæringen vil deltakerne lære hvordan de kan komme i gang med å utvikle en bot når de går gjennom opprettelsen av eksempelchatboter ved å bruke robotutviklingsverktøy og -rammeverk.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de forskjellige brukene og bruksområdene til roboter
• Forstå hele prosessen med å utvikle roboter
• Utforsk de forskjellige verktøyene og plattformene som brukes til å bygge roboter
• Bygg en prøve chatbot for Facebook Messenger
• Bygg en prøve chatbot ved å bruke Microsoft Bot Framework

Publikum

• Utviklere som er interessert i å lage sin egen bot

Format på kurset

• Del forelesning, del diskusjon, øvelser og tung praktisk praksis

Dette kurset, ledet av instruktører, (online eller på stedet) er rettet mot ingeniører som ønsker å lære om anvendeligheten av kunstig intelligens i mekatroniske systemer.

Ved slutten av dette kurset, vil deltakerne kunne:

• Få en oversikt over kunstig intelligens, maskinlæring og beregningsintelligens.
• Forstå konseptene om neuronale nettverk og ulike læremetoder.
• Velge kunstig intelligens tilnærming effektivt for virkelige problemer.
• Implementere AI-applikasjoner i mekatronikk.

En Smart Robot er et kunstig intelligens (AI) system som kan lære fra sin omgivelse og erfaringer, og bygge på sine evner basert på denne kunnskapen. Smart Robots kan samarbeide med mennesker, jobbe sammen med dem og lære av deres atferd. Videre har de kapasitet til ikke bare manuelt arbeid, men også kognitive oppgaver. I tillegg til fysiske roboter, kan Smart Robots også være rent programvarebaserte, og bo i en datamaskin som et programvareapplikasjon uten bevegelige deler eller fysisk interaksjon med verden.

I denne instruktørledede, live opplæringen, vil deltakere lære om de ulike teknologiene, rammeverkene og teknikkene for å programmere forskjellige typer mekaniske Smart Robots, og så bruke denne kunnskapen til å fullføre sine egne Smart Robot-prosjekter.

Kurset er delt inn i 4 seksjoner, hver bestående av tre dagers forelesninger, diskusjoner og hånd-på robotutvikling i et live laboratoriumsmiljø. Hver seksjon vil avsluttes med et praktisk hånd-på-prosjekt for å gi deltakere mulighet til å øve og demonstrere sin ervervede kunnskap.

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

Ved slutten av denne opplæringen, vil deltakere kunne:

• Forstå de viktige konseptene brukt i robotteknologi
• Forstå og håndtere interaksjonen mellom programvare og hardware i et robotsystem
• Forstå og implementere programvarekomponentene som underbygger Smart Robots
• Bygge og operere en simulert mekanisk Smart Robot som kan se, føle, behandle, gripe, navigere, og interagere med mennesker gjennom stemme
• Utvide en Smart Robots evne til å utføre komplekse oppgaver gjennom Deep Learning
• Teste og feilsøke en Smart Robot i realistiske scenarier

Målgruppe

• Utviklere
• Ingeniører

Kursformat

• Delt forelesning, del diskusjon, øvelser og mye hånd-på praktisk øving

Merknad

• For å tilpasse deler av dette kurset (programmeringsspråk, robotmodell, osv.), kontakt oss for å avtale.