感謝您提交詢問！我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂！我們的一位團隊成員將在短時間內與您聯繫。
課程簡介
AI 與機器人技術簡介
- 現代機器人技術與 AI 融合概觀
- 在自主系統、無人機及服務機器人上的應用
- 關鍵 AI 組成元素：感知、規劃與控制
開發環境設定
- 安裝 Python、ROS 2、OpenCV 及 TensorFlow
- 使用 Gazebo 或 Webots 進行機器人模擬
- 使用 Jupyter Notebooks 進行 AI 實驗
感知與計算機視覺
- 使用攝影機與感測器進行感知
- 使用 TensorFlow 進行圖像分類、物件偵測與分割
- 使用 OpenCV 進行邊緣偵測與輪廓追蹤
- 即時影像串流與處理
定位與感測器融合
- 理解機率機器人技術
- 卡爾曼濾波器與擴充卡爾曼濾波器 (EKF)
- 適用於非線性環境的粒子濾波器
- 整合 LiDAR、GPS 及 IMU 數據進行定位
運動規劃與路徑搜尋
- 路徑規劃演算法：Dijkstra、A* 及 RRT*
- 障礙物避讓與環境地圖構建
- 使用 PID 進行即時運動控制
- 使用 AI 進行動態路徑優化
機器人強化學習
- 強化學習基礎
- 設計基於獎勵的機器人行為
- Q 學習與深度 Q 網路 (DQN)
- 在 ROS 中整合 RL 代理以實現適應性運動
同步定位與地圖構建 (SLAM)
- 理解 SLAM 概念與工作流程
- 使用 ROS 套件 (gmapping, hector_slam) 實施 SLAM
- 使用 OpenVSLAM 或 ORB-SLAM2 進行視覺 SLAM
- 在模擬環境中測試 SLAM 演算法
進階主題與整合
- 用於人機交互的語音與手勢識別
- 與 IoT 及雲端機器人平台整合
- 機器人 AI 驅動的預測性維護
- AI 機器人技術的倫理與安全性
結案專案
- 設計並模擬智慧型移動機器人
- 實施導航、感知與運動控制
- 展示使用 AI 模型進行即時決策
總結與後續步驟
- 回顧關鍵 AI 機器人技術
- 自主機器人技術未來趨勢
- 持續學習的資源
最低要求
- 具備 Python 或 C++ 的程式設計經驗
- 對計算機科學與工程基礎有基本了解
- 熟悉機率概念、微積分及線性代數
目標受眾
- 工程師
- 機器人愛好者
- 自動化與 AI 領域的研究人員
21 小時
客戶評論 (1)
其未來在Robotics中利用AI的知識和應用。
Ryle - PHILIPPINE MILITARY ACADEMY
課程 - Artificial Intelligence (AI) for Robotics
機器翻譯
