使用 ROS 2 進行自主導航與 SLAM培訓

人工智慧（AI）用於機器人結合機器學習、控制系統和感測器融合，打造能感知、推理並自主行動的智能機械。透過 ROS 2、TensorFlow 與 OpenCV 等現代工具，工程師現在能設計能在真實環境中智慧導航、規劃及互動的機器人。

此課程由導師親自帶領，提供線上或線下培訓，適合希望運用最新開源技術與框架開發、訓練並部署 AI 驅動機器人系統的初階工程師。

完成本課程後，學員將能夠：

• 使用 Python 和 ROS 2 建立與模擬機器人行為。
• 實現卡爾曼濾波器與粒子濾波器，用於定位與追蹤。
• 運用 OpenCV 的電腦視覺技術進行感知與物體偵測。
• 使用 TensorFlow 進行運動預測及基於學習的控制。
• 整合 SLAM（同時定位與建圖）以實現自主導航。
• 開發強化學習模型，提升機器人的決策能力。

課程形式

• 互動式講授與討論。
• 實際操作實作，使用 ROS 2 和 Python。
• 在模擬及真實機器人環境中進行實務練習。

課程客製化選項

如需為本課程申請客製化培訓，請聯絡我們安排。

機器人或聊天機器人是類似電腦助手的工具，用於自動化各種即時通訊平台上的使用者互動，讓任務完成得更快速，無需使用者與真人對話。

在這場由講師主導的現場培訓中，參與者將透過使用機器人開發工具和框架建立範例聊天機器人，學習如何開始開發機器人。

完成本課程後，參與者能夠：

• 了解機器人的不同用途與應用
• 理解機器人開發的完整流程
• 探索用於建構機器人的不同工具與平台
• 為 Facebook Messenger 建立範例聊天機器人
• 使用 Microsoft Bot Framework 建立範例聊天機器人

受眾

• 對建立自有機器人感興趣的開發人員

課程形式

• 講授與討論結合，包含練習和大量的實作

這項在台灣（線上或線下）進行的由講師主導的現場培訓，旨在幫助中級參與者探索協作機器人(cobots)及其他以人為本的AI系統在現代職場中的角色。

在本課程結束後，學員將能夠：

• 理解以人為本的實體AI原則及其應用。
• 探索協作機器人在提升職場生產力中的角色。
• 識別並解決人機互動中的挑戰。
• 設計能最佳化人類與AI驅動系統間協作的工作流程。
• 在整合AI的職場中促進創新與適應力的文化。

工業機器人自動化：ROS與PLC整合及數位孿生是一門實作課程，旨在連結工業自動化與現代機器人框架。學員將學習如何將基於ROS的機器人系統與PLC整合以實現同步操作，並探索數位孿生環境來模擬、監控及最佳化生產流程。本課程強調互操作性、即時控制，以及使用物理系統的數位複製進行預測分析。

此講座式實作培訓（線上或線下）目標為中階專業人士，希望建立連接ROS控制機器人与PLC環境及實施數位孿生以優化自動化與製造的實務技能。

完成本培訓後，學員將能夠：

• 理解ROS與PLC系統之間的通訊協議。
• 實施機器人與工業控制器之間的即時資料交換。
• 開發用於監控、測試及流程模擬的數位孿生。
• 在工業工作流程中整合感測器、致動器與機器人操作臂。
• 使用混合模擬環境設計並驗證工業自動化系統。

課程格式

• 互動式講座與架構導覽。
• 整合ROS和PLC系統的實作練習。
• 模擬及數位孿生專案實施。

課程客製化選項

• 如需針對此課程要求客製化培訓，請聯繫我們進行安排。

這項在[loc]的即時培訓課程（線上或線下），旨在讓希望學習人工智慧在機械系統中應用的工程師受益。

完成本培訓後，學員將能夠：

• 掌握人工智慧、機器學習及計算智能的概觀。
• 理解神經網路的概念及不同的學習方法。
• 針對現實生活中的問題，有效地選擇人工智慧解決方案。
• 在機械工程領域中實施人工智慧應用。

多機器系統與群集智慧是一門進階培訓課程，探討受生物群集行為啟發的機器人團隊設計、協調與控制。學員將學習如何模擬互動情境、實施分散式決策機制，並優化多個智能體之間的協作效能。本課程結合理論講授與實務模擬，旨在協助學員應對物流、國防、搜救及自主探索等應用場景。

此課程由專業講師進行指導，提供線下或線上培訓模式（含即時互動），主要對象為希望運用開源框架與演算法設計、模擬並實施多機器系統及群集系統的高階專業人士。

完成本培訓後，學員將能夠：

• 理解群集智慧與協同機器人學的原理及其動態特徵
• 設計多機器系統的溝通與協調策略
• 實施分散式決策共識演算法
• 模擬群集行為，包含隊形控制、群聚效應及區域覆蓋
• 將群集技術應用於真實世界場景與最佳化問題

課程格式

• 高階講授，深入探討演算法細節
• 在 ROS 2 與 Gazebo 環境中進行的實作編程與模擬
• 應用群集智慧原則的協作專案

課程客製化選項

• 如需針對此課程要求客製化培訓，請聯繫我們安排。

此在台灣（線上或線下）由講師主導的即時培訓，旨在為高級機器人工程師和AI研究人員設計。學員將學習如何利用多模態AI整合各種感測數據，創造出具備視覺、聽覺和觸覺能力，更具自主性且高效的機器人。

完成本課程後，學員將能夠：

• 在機器人系統中實施多模態感測。
• 開發用於感測器融合與決策的AI演算法。
• 創建能在動態環境中執行複雜任務的機器人。
• 解決即時資料處理和驅動方面的挑戰。

這門在台灣（線上或線下）進行的講師帶隊實作培訓，針對中階學員，旨在提升其設計、編程及部署用於自動化及其他應用的智慧機器人系統的技能。

完成本培訓後，學員將能夠：

• 理解物理AI的原理及其在機器人和自動化領域的應用。
• 為動態環境設計並編程智慧機器人系統。
• 實現AI模型以賦予機器人自主決策能力。
• 利用模擬工具進行機器人測試與優化。
• 解決感測器融合、即時處理及能源效率等挑戰。

強化學習（RL）是一種機器學習範式，其中的智能體透過與環境互動來學習如何做出決策。在機器人領域，強化學習讓自主系統能夠透過經驗和反饋發展出適應性控制和決策能力。

本課程由講師親自指導，提供線上或線下培訓形式。目標受眾為希望設計、實作及部署強化學習演算法於機器人應用之進階級機器學習工程師、機器人研究者與開發者。

完成本培訓後，參與學員將能夠：

• 理解強化學習的理論基礎及其數學原理。
• 實作如 Q-learning、DDPG 和 PPO 等 RL 演算法。
• 使用 OpenAI Gym 與 ROS 2，將 RL 整合至機器人模擬環境。
• 訓練機器人以嘗試錯誤的方式自主執行複雜任務。
• 利用 PyTorch 等深度學習框架優化培訓效能。

課程形式

• 互動式講授與討論。
• 使用 Python、PyTorch 及 OpenAI Gym 進行實作操作。
• 在模擬或實體機器人環境中進行實務練習。

課程客製化選項

• 如需針對此課程提出客製化培訓需求，請聯繫我們以安排相關事宜。

智慧機器人是將人工智慧整合至機器人系統，以提升感知、決策與自主控制能力。

本課程為講員主導的現場培訓（線上或線下），目標受眾為希望在高智慧製造環境中實施AI驅動的感知、規劃與控制的進階級別機器人工程師、系統整合師及自動化專案負責人。

完成本課程後，參與者將能夠：

• 理解並應用AI技術於機器人感知與感測器融合。
• 開發用於協作與工業機器人的運動規劃演算法。
• 部署基於學習的控制策略以實現即時決策。
• 將智慧機器人系統整合至高智慧工廠工作流程中。

課程格式

• 互動式講座與討論。
• 大量的練習與實作。
• 在模擬實驗環境中進行實作。

課程客製化選項

• 如需針對此課程提出客製化培訓需求，請聯繫我們以安排。