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
- Sensado visual y detección de objetos para el agarre.
- Visión 3D, sensado de profundidad y procesamiento de nubes de puntos.
- Entrenamiento de CNNs para la localización y segmentación de objetos.
Planificación y Detección de Agarre
- Algoritmos clásicos de planificación de agarre.
- Aprendizaje de poses de agarre a partir de datos y simulación.
- Implementación de redes de detección de agarre (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 el control en tiempo real.
Aprendizaje de Extremo a Extremo para la 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, estabilidad y precisión del agarre.
- Pruebas bajo condiciones variables y perturbaciones.
- Compresión de modelos y despliegue en dispositivos edge.
Proyecto Práctico: Agarre Robótico Basado en Aprendizaje Profundo
- Diseño de un pipeline de percepción a acción.
- Entrenamiento y prueba de un modelo de detección de agarre.
- Integración del modelo en un brazo robótico simulado.
Resumen y Próximos Pasos
Requerimientos
- Sólido entendimiento de la cinemática y dinámica robótica.
- Experiencia con Python y frameworks de aprendizaje profundo.
- Familiaridad con ROS u otro middleware robótico similar.
Público Objetivo
- Ingenieros de robótica que desarrollan sistemas de manipulación inteligente.
- Especialistas en percepción y control que trabajan en aplicaciones de agarre.
- Investigadores y profesionales avanzados en aprendizaje robotizado 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
