Temario del curso
Introducción a la manipulación robótica y el aprendizaje profundo
- Visión general de las tareas de manipulación y componentes del sistema
- Enfoques tradicionales frente a enfoques basados en aprendizaje
- Aprendizaje profundo en percepción, planificación y control
Percepción para la manipulación
- Sensores visuales y detección de objetos para sujeción
- Visión 3D, sensores de profundidad y procesamiento de nubes de puntos
- Entrenamiento de CNNs para localización y segmentación de objetos
Planificación y detección de sujeción
- Algoritmos clásicos de planificación de sujeción
- Aprendizaje de poses de sujeción a partir de datos y simulación
- Implementación de redes de detección de sujeción (por ejemplo, GGCNN, Dex-Net)
Control y planificación del movimiento
- Cinemática inversa y generación de trayectorias
- Planificación del movimiento basada en aprendizaje y aprendizaje por imitación
- Aprendizaje por refuerzo para políticas de control de manipulación
Integración con ROS 2 y entornos de simulación
- Configuración de nodos ROS 2 para percepción y control
- Simulación de manipuladores robóticos en Gazebo e Isaac Sim
- Integración de modelos neuronales para control en tiempo real
Aprendizaje de extremo a extremo para manipulación
- Combinación de percepción, política y control en redes unificadas
- Uso de datos de demostración para el aprendizaje supervisado de políticas
- Adaptación de dominio entre simulación y hardware real
Evaluación y optimización
- Métricas para el éxito, la estabilidad y la precisión de la sujeción
- Pruebas bajo condiciones y perturbaciones variables
- Compresión de modelos e implementación en dispositivos de borde
Proyecto práctico: Sujeción robótica basada en aprendizaje profundo
- Diseño de un flujo de trabajo desde la percepción hasta la acción
- Entrenamiento y prueba de un modelo de detección de sujeción
- Integración del modelo en un brazo robótico simulado
Resumen y próximos pasos
Requerimientos
- Sólida comprensión de la cinemática y dinámica de la robótica
- Experiencia con Python y frameworks de aprendizaje profundo
- Familiaridad con ROS o middleware robótico similar
Audiencia objetivo
- Ingenieros de robótica que desarrollan sistemas de manipulación inteligente
- Especialistas en percepción y control que trabajan en aplicaciones de sujeción
- Investigadores y profesionales avanzados en aprendizaje robótico y control basado en IA
Reseñas (2)
Suministro de los materiales (máquina virtual) para comenzar directamente con los ejercicios y explicación del núcleo de ROS2. Por qué las cosas funcionan de cierta manera.
Arjan Bakema
Curso - Autonomous Navigation & SLAM with ROS 2
Traducción Automática
su conocimiento y utilización de la IA para la robótica en el futuro.
Ryle - PHILIPPINE MILITARY ACADEMY
Curso - Artificial Intelligence (AI) for Robotics
Traducción Automática
