以人為本的實體AI：協作機器人與更廣泛的應用培訓

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。

ROS 2（機器人作業系統 2）是一個開放原始碼框架，旨在支援開發複雜且具擴展性的機器人應用程式。

這項由講師指導的培訓課程（線上或線下），目標受眾為希望實作自主導航與 SLAM（即時建圖與定位）的中階機器人工程師及開發者。

完成本課程後，學員將能夠：

• 設定並配置 ROS 2 以用於自主導航應用程式。
• 實作 SLAM 演算法以進行建圖與定位。
• 將雷射雷達和相機等感測器與 ROS 2 整合。
• 在 Gazebo 中模擬並測試自主導航。
• 在實體機器人上部署導航堆疊。

課程形式

• 互動式講授與討論。
• 使用 ROS 2 工具和模擬環境進行實作練習。
• 在虛擬或實體機器人上進行實作實驗室開發與測試。

課程客製化選項

• 如需為本課程要求客製化培訓，請聯繫我們以安排。

OpenCV 是一個開源的電腦視覺庫，能夠實現實時影像處理。而 TensorFlow 等深度學習框架則為機器人的智能感知與決策提供了工具。

本課程由導師帶領進行現場教學（線上或線下）。目標學員為希望將電腦視覺和深度學習技術應用於機器人感知與自主操作的初階至中階水準的機器人工程師、電腦視覺從業人員及機器學習工程師。

完成此培訓後，參與者將能夠：

• 使用 OpenCV 實現電腦視覺管線。
• 整合深度學習模型以進行物體檢測與辨識。
• 利用基於視覺的數據控制機器人的移動與導航。
• 結合傳統視覺演算法與深度神經網路。
• 在嵌入式和機器人平台上部署電腦視覺系統。

課程形式

• 互動式講授與討論。
• 動手實作，使用 OpenCV 和 TensorFlow。
• 在模擬或實體機器人系統上進行即時實驗室操作。

課程自訂選項

• 如需為本課程請求客製化培訓，請聯繫我們安排。

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

邊緣 AI 使人工智慧模型能夠直接在嵌入式或資源受限的裝置上運行，從而降低延遲和功耗，同時提高機器人系統的自主性和隱私性。

本課程由講師主導，提供線上或線下實體培訓。目標學員為中階嵌入式開發人員與機器人工程師，旨在教導如何利用 TinyML 及邊緣 AI 框架，直接在機器人硬體上實施機器學習推論與最佳化技術。

完成培訓後，學員將能夠：

• 掌握適用於機器人的 TinyML 與邊緣 AI 基礎知識。
• 轉換並部署用於裝置端推論的 AI 模型。
• 針對速度、體積及能源效率對模型進行最佳化。
• 將邊緣 AI 系統整合至機器人控制架構中。
• 評估現實場景中的效能與準確性。

課程形式

• 互動式講授與討論。
• 使用 TinyML 及邊緣 AI 工具鍊進行實作練習。
• 在嵌入式與機器人硬體平台上進行實務操作。

課程客製化選項

• 如需針對此課程要求客製化培訓，請聯繫我們以安排。

人機互動 (HRI)：語音、手勢與協同控制是一門實作課程，旨在引導學員學習設計並實現直覺式的人機溝通介面。本培訓結合理論、設計原則與程式編寫實務，利用語音、手勢以及共享控制技術來建構自然且具回應性的互動系統。學員將學會如何整合感知模組、開發多模態輸入系統，並設計能安全與人協作的機器人。

此為由講師帶領的即時培訓（線上或線下），主要對象為初階至中階程度的學員，其希望能設計與實現提升易用性、安全性及使用者體驗的人機互動系統。

完成本培訓後，學員將能夠：

• 理解人機互動的基礎與設計原則。
• 開發基於語音的控制與回應機制給機器人使用。
• 運用電腦視覺技術實作手勢識別。
• 設計協同控制系統以達成安全共享自主操作。
• 根據易用性、安全性及人因工程評估 HRI 系統。

課程格式

• 互動式講授與示範。
• 實作編碼與設計練習。
• 在模擬或真實機器人環境中進行實務實驗。

課程客製化選項

• 如需此課程的客製化培訓，請聯繫我們以安排。

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。

結合 ROS 2 與 Docker 的實用快速原型設計是一門實作課程，旨在協助開發人員高效地建置、測試並部署機器人應用程式。學員將學習如何將機器人環境容器化、整合 ROS 2 套件，並利用 Docker 建立可重複使用且具擴展性的模組化機器人系統原型。本課程強調敏捷開發、版本控制與協作實踐，適合早期開發階段及創新團隊。

此為講師帶隊的培訓課程（提供線上或線下教學），主要針對初級至中級的參與者，協助其利用 ROS 2 和 Docker 加速機器人開發流程。

完成本培訓後，學員將能夠：

• 在 Docker 容器內建置 ROS 2 開發環境。
• 於模組化、可重複使用的設定中開發並測試機器人原型。
• 運用模擬工具驗證系統行為，以進行硬體部署前的確認。
• 透過容器化的機器人專案進行有效協作。
• 將持續整合與部署概念應用於機器人開發流程中。

課程形式

• 互動式講解與示範。
• 結合 ROS 2 與 Docker 環境的實作練習。
• 聚焦於真實世界機器人應用程式的小型專案。

課程客製化選項

• 如需為本課程提出客製化培訓需求，請聯繫我們以安排。

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。

結合深度學習的機器人操控與抓取課程是一門進階課程，旨在將機器人控制與現代機器學習技術相結合。學員將探討如何運用深度學習來提升機器人系統的感知、運動規劃及靈巧抓取能力。透過理論講解、模擬環境以及實務編程練習，本課程引導學員從基於感知的控制方法逐步過渡到用於操控任務的端到端策略學習。

這是一門由講師主導的現場直播培訓（提供線上或線下模式），目標受眾為希望應用深度學習技術以實現智能、適應性強且精準機器人操控的高階專業人士。

完成本培訓後，學員將能夠：

• 開發用於物體識別和姿態估計的感知模型。
• 訓練神經網路以進行抓取檢測和運動規劃。
• 使用 ROS 2 將深度學習模組整合至機器人控制器。
• 在虛擬環境中模擬並評估抓取與操控策略。
• 在實體或模擬機械臂上部署及最佳化已學習的模型。

課程格式

• 專家主導的講座演算法深度探討。
• 實作編程與模擬練習。
• 基於專案的實施與測試。

課程自訂選項

• 如需針對此課程申請客製化培訓，請聯繫我們進行安排。

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。