AI and Robotics for Nuclear - Extended

• Programming doświadczenie w C lub C++
• Programming doświadczenie w Python (przydatne, ale niekonieczne; może być nauczane w ramach kursu)
• Doświadczenie z Linux wierszem poleceń

Publiczność

• Deweloperzy
• Inżynierowie
• Naukowcy
• Technicy

Robotics i Artificial Intelligence (AI) to potężne narzędzia służące do opracowywania systemów bezpieczeństwa w obiektach jądrowych.

W tym szkoleniu prowadzonym przez instruktora, na żywo (online lub na miejscu), uczestnicy poznają różne technologie, ramy i techniki programowania różnych typów robotów, które będą wykorzystywane w dziedzinie technologii jądrowej i systemów środowiskowych.

6-tygodniowy kurs odbywa się 5 dni w tygodniu. Każdy dzień trwa 4 godziny i składa się z wykładów, dyskusji i praktycznego rozwoju robotów w środowisku laboratoryjnym. Uczestnicy ukończą różne projekty w świecie rzeczywistym, mające zastosowanie w ich pracy, aby ćwiczyć zdobytą wiedzę.

Sprzęt docelowy dla tego kursu będzie symulowany w 3D za pomocą oprogramowania symulacyjnego. Do programowania robotów zostaną wykorzystane ramy open-source ROS (Robot Operating System), C++ i Python.

Po zakończeniu szkolenia uczestnicy będą potrafili:

• Zrozumieć kluczowe koncepcje stosowane w technologiach robotyki.
• Zrozumieć i zarządzać interakcją pomiędzy oprogramowaniem i sprzętem w systemie robotycznym.
• Zrozumieć i wdrożyć komponenty oprogramowania stanowiące podstawę robotyki.
• Zbuduj i obsługuj symulowanego mechanicznego robota, który potrafi widzieć, czuć, przetwarzać, nawigować i komunikować się z ludźmi za pomocą głosu.
• Zrozumieć niezbędne elementy sztucznej inteligencji (uczenie maszynowe, głębokie uczenie itp.) mające zastosowanie przy budowie inteligentnego robota.
• Wprowadź filtry (Kalmana i Particle), aby umożliwić robotowi lokalizację ruchomych obiektów w otoczeniu.
• Wdrażanie algorytmów wyszukiwania i planowania ruchu.
• Wdrażanie sterowania PID w celu regulacji ruchu robota w określonym środowisku.
• Wdrożenie algorytmów SLAM umożliwiających robotowi mapowanie nieznanego otoczenia.
• Rozszerzenie możliwości robota o wykonywanie złożonych zadań poprzez Deep Learning.
• Testuj i rozwiązuj problemy robota w realistycznych scenariuszach.

Format kursu

• Interaktywny wykład i dyskusja.
• Dużo ćwiczeń i praktyki.
• Praktyczna implementacja w środowisku laboratoryjnym.

Opcje dostosowywania kursu

• Jeśli chcesz dostosować dowolną część kursu (język programowania, model robota itp.) do swoich potrzeb, skontaktuj się z nami w celu ustalenia szczegółów.

Tydzień 01

Wprowadzenie

• Co sprawia, że robot jest inteligentny?

Roboty fizyczne i wirtualne

• Smart Robots, inteligentne maszyny, czujące maszyny i Robotic Process Automation (RPA) itp.

Rola Artificial Intelligence (AI) w Robotics

• Poza "if-then-else" i maszyną uczącą się
• Algorytmy stojące za sztuczną inteligencją
• Uczenie maszynowe, wizja komputerowa, przetwarzanie języka naturalnego (NLP) itp.
• Robotyka kognitywna

Rola Big Data w Robotics

• Podejmowanie decyzji na podstawie danych i wzorców

Chmura i Robotics

• Łączenie robotyki z IT
• Budowanie bardziej funkcjonalnych robotów, które mają dostęp do większej ilości informacji i współpracują ze sobą

Studium przypadku: Roboty przemysłowe

• Roboty mechaniczne
  • Baxter
• Roboty w obiektach jądrowych
  • Wykrywanie i ochrona przed promieniowaniem
• Roboty w obiektach jądrowych React
  • Wykrywanie i ochrona przed promieniowaniem

Elementy sprzętowe robota

• Silniki, czujniki, mikrokontrolery, kamery itp.

Wspólne Element roboty

• Widzenie maszynowe, rozpoznawanie głosu, synteza mowy, wykrywanie bliskości, wykrywanie nacisku itp.

Ramy programistyczne dla Programming robotów

• Otwarte i komercyjne platformy
• System operacyjny robota (ROS)
  • Architektura: obszar roboczy, tematy, wiadomości, usługi, węzły, biblioteki akcji, narzędzia itp.

Languages dla Programming robota

• C++ dla kontroli niskiego poziomu
• Python dla orkiestracji
• Programming ROS węzłów w Python i C ++
• Inne języki

Narzędzia do symulacji robota fizycznego

• Komercyjne i otwarte oprogramowanie do symulacji i wizualizacji 3D

Tydzień 02

Przygotowanie środowiska programistycznego

• Instalacja i konfiguracja oprogramowania
• Przydatne pakiety i narzędzia

Studium przypadku: Roboty mechaniczne

• Roboty w dziedzinie technologii jądrowej
• Roboty w systemach ochrony środowiska

Robot Programming

• Programming węzeł w Python i C ++
• Zrozumienie węzła ROS
• Wiadomości i tematy w ROS
• Paradygmat publikacji / subskrypcji
• Projekt: Bump & Go z prawdziwym robotem
• Rozwiązywanie problemów
• Symulacja robotów z Gazebo / ROS
• Ramki w ROS i zmiany odniesienia
• Przetwarzanie informacji 2D z kamer z OpenCV
• Przetwarzanie informacji lasera
• Projekt: Bezpieczne śledzenie obiektów według koloru
• Rozwiązywanie problemów

Tydzień 03

Programming Robot (ciąg dalszy...)

• Usługi w ROS
• Przetwarzanie informacji 3D z czujników RGB-D za pomocą PCL
• Mapy i nawigacja z ROS
• Project: Wyszukiwanie obiektów w otoczeniu
• Rozwiązywanie problemów

Programming Robot (ciąg dalszy...)

• ActionLib
• Speech Recognition i generowanie mowy
• Sterowanie ramionami robota za pomocą MoveIt!
• Sterowanie szyją robota dla aktywnego widzenia
• Projekt: Wyszukiwanie i zbieranie obiektów
• Rozwiązywanie problemów

Testowanie robota

• Testowanie jednostkowe

Tydzień 04

Rozszerzanie możliwości robota za pomocą Deep Learning

• Percepcja - wizja, dźwięk i haptyka
• Reprezentacja wiedzy
• Rozpoznawanie głosu poprzez NLP (przetwarzanie języka naturalnego)
• Wizja komputerowa

Przyspieszony kurs Deep Learning

• Sztuczne Neural Networks (ANN)
• Sztuczne Neural Networks vs. Bio logiczne Neural Networks
• Feedforward Neural Networks
• Funkcje aktywacji
• Trening sztucznych Neural Networks

Przyspieszony kurs Deep Learning (ciąg dalszy...)

• Modele Deep Learning
  • Sieci konwolucyjne i sieci rekurencyjne
• Sieci konwolucyjne Neural Networks (CNN lub ConvNets)
  • Warstwa konwolucyjna
  • Warstwa łączenia
  • Architektura sieci konwolucyjnych Neural Networks

Tydzień 05

Przyspieszony kurs Deep Learning (ciąg dalszy...)

• Rekurencyjna Neural Networks (RNN)
  • Trenowanie sieci RNN
  • Stabilizacja gradientów podczas treningu
  • Sieci z długą pamięcią krótkotrwałą
• Deep Learning Platformy i biblioteki oprogramowania
  • Deep Learning w ROS

Używanie Big Data w robocie

• Koncepcje dużych zbiorów danych
• Podejścia do analizy danych
• Narzędzia Big Data
• Rozpoznawanie wzorców w danych
• Ćwiczenie: NLP i Computer Vision na dużych zbiorach danych

Używanie Big Data w robocie (ciąg dalszy...)

• Rozproszone przetwarzanie dużych zbiorów danych
• Współistnienie i wzajemne inspirowanie się Big Data i Robotics
• Robot jako generator danych
  • Czujniki pomiaru zasięgu, położenia, wizualne, dotykowe i inne modalności
• Nadawanie sensu danym sensorycznym (pętla sens-plan-działanie)
• Ćwiczenie: Przechwytywanie danych strumieniowych

Programming Autonomiczny Deep Learning robot

• Komponenty robota Deep Learning
• Konfigurowanie symulatora robota
• Uruchamianie sieci neuronowej z akceleracją CUDA w aplikacji Cafe
• Rozwiązywanie problemów

Tydzień 06

Programming Autonomiczny Deep Learning robot (ciąg dalszy...)

• Rozpoznawanie obiektów na zdjęciach lub strumieniach wideo
• Udostępnianie wizji komputerowej za pomocą OpenCV
• Rozwiązywanie problemów

Analiza danych

• Wykorzystanie robota do gromadzenia i organizowania nowych danych
• Narzędzia i procesy nadające sens danym

Wdrażanie robota

• Przejście z symulowanego robota na sprzęt fizyczny
• Wdrażanie robota w świecie fizycznym
• Monitorowanie i serwisowanie robotów w terenie

Zabezpieczanie robota

• Zapobieganie nieautoryzowanym manipulacjom
• Zapobieganie przeglądaniu i kradzieży poufnych danych przez hakerów

Budowanie robota we współpracy

• Budowanie robota w chmurze
• Dołączanie do społeczności robotyków

Przyszłość Outlook dla robotów w dziedzinie nauki i energii

Podsumowanie i wnioski