Autonomous Vehicles (AVs) Trainingen in Maastricht

Deze door een docent geleide, live training (online of ter plaatse) is bedoeld voor professionals op beginnersniveau die de ethische dilemma's en juridische kaders rondom autonome voertuigen willen onderzoeken.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De ethische implicaties van AI-gestuurde besluitvorming in autonome voertuigen te begrijpen.
• Wereldwijde juridische kaders en beleidsregels die zelfrijdende auto's reguleren te analyseren.
• Aansprakelijkheid en verantwoordelijkheid in geval van ongevallen met autonome voertuigen te onderzoeken.
• De balans tussen innovatie en openbare veiligheid in wetgeving rondom autonoom rijden te evalueren.
• Praktische casestudies te bespreken die ethische dilemma's en juridische geschillen betreffen.

Deze instructiegeleide, live training (online of ter plaatse) is bedoeld voor professionals en enthousiastelingen op beginnersniveau die de fundamentele concepten, technologieën en toepassingen van autonome voertuigen willen begrijpen.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De belangrijkste componenten en werkingsprincipes van autonome voertuigen te begrijpen.
• De rol van AI, sensoren en real-time dataverwerking in zelfrijdende systemen te onderzoeken.
• Verschillende niveaus van voertuigautonomie en hun toepassingen in de praktijk te analyseren.
• De ethische, juridische en regelgevende aspecten van autonome mobiliteit te onderzoeken.
• Praktische ervaring op te doen met simulaties van autonome voertuigen.

Deze door een instructeur geleide, live training (online of ter plaatse) is bedoeld voor netwerkengineers op intermediair niveau en ontwikkelaars van automotive IoT die de V2X-communicatietechnologieën voor autonome voertuigen willen begrijpen en implementeren.

Aan het einde van deze training kunnen de deelnemers:

• De fundamentele concepten van V2X-communicatie begrijpen.
• De V2V-, V2I-, V2P- en V2N-communicatiemodellen analyseren.
• V2X-protocollen zoals DSRC en C-V2X implementeren.
• Simulaties ontwikkelen voor verbonden voertuigomgevingen.
• Cybersecurity- en privacy-uitdagingen in V2X-netwerken aanpakken.

Deze door een docent geleide, live training (online of ter plaatse) is bedoeld voor ingenieurs van intermediair niveau, automotive-professionals en IoT-specialisten die de rol van sensoren in zelfrijdende auto's willen begrijpen, inclusief LiDAR, radar, camera's en sensorfusietechnieken.

Aan het einde van deze training kunnen de deelnemers:

• De verschillende soorten sensoren die in autonome voertuigen worden gebruikt begrijpen.
• Sensorgegevens analyseren voor real-time voertuigperceptie en besluitvorming.
• Sensorfusietechnieken implementeren om de nauwkeurigheid en veiligheid van voertuigen te verbeteren.
• De sensorplaatsing en -kalibratie optimaliseren voor verbeterde prestaties van autonoom rijden.

Deze klassikale, live training (online of op locatie) is bedoeld voor ervaren veiligheidsingenieurs en professionals in de automotive veiligheid die uitgebreide veiligheidsstrategieën voor autonome voertuigen willen ontwikkelen, inclusief risicoanalyse, functionele veiligheidsbeoordelingen en naleving van internationale normen.

Aan het einde van deze training zijn de deelnemers in staat om:

• Veiligheidsrisico's te identificeren en te beoordelen die verband houden met autonome rijsystemen.
• Risicoanalyses en -beoordelingen uit te voeren met behulp van industriestandaarden.
• Veiligheidsvalidatie- en verificatiemethoden voor AV-systemen te implementeren.
• Functionele veiligheidsnormen toe te passen, zoals ISO 26262 en SOTIF.
• Risicobeperkende strategieën te ontwikkelen voor AV-veiligheidsuitdagingen.

Deze door een docent geleide, live training (online of op locatie) is bedoeld voor ervaren specialisten in sensorfusie en AI-ingenieurs die multi-sensorfusie-algoritmen willen ontwikkelen en real-time navigatie in autonome systemen willen optimaliseren.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De fundamentele principes en uitdagingen van multi-sensor datafusie te begrijpen.
• Sensorfusie-algoritmen te implementeren voor real-time autonome navigatie.
• Data van LiDAR, camera's en RADAR te integreren voor verbeterde perceptie.
• De prestaties van fusiesystemen onder verschillende omstandigheden te analyseren en evalueren.
• Praktische oplossingen te ontwikkelen voor ruisonderdrukking en data-uitlijning van sensoren.

Deze instructor-led, live training (online of op locatie) is bedoeld voor AI-developers en computer vision engineers op intermediair niveau die robuuste vision systemen willen bouwen voor toepassingen in de autonome rijtechnologie.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De fundamentele concepten van computer vision in autonome voertuigen te begrijpen.
• Algoritmen te implementeren voor objectdetectie, rijstrookdetectie en semantische segmentatie.
• Vision systemen te integreren met andere subsystemen van autonome voertuigen.
• Deep learning-technieken toe te passen voor geavanceerde perceptietaken.
• De prestaties van computer vision-modellen in real-world scenario's te evalueren.

Deze door een instructeur geleide, live training (online of ter plaatse) is bedoeld voor robotics engineers en AI-onderzoekers op hoog niveau die geavanceerde algoritmen voor padplanning willen implementeren om de prestaties van autonome voertuigen te verbeteren.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De theoretische basis van geavanceerde algoritmen voor padplanning te begrijpen.
• Algoritmen zoals RRT*, A* en D* te implementeren voor real-time navigatie.
• Padplanning te optimaliseren voor obstakelvermijding en dynamische omgevingen.
• Padplanningsalgoritmen te integreren met sensorgegevens voor een verbeterde nauwkeurigheid.
• De prestaties van verschillende algoritmen in praktische scenario's te evalueren.

Deze door instructeurs geleide live training in Maastricht (online of ter plekke) is gericht op geavanceerde datawetenschappers, AI-specialisten en AI-ontwikkelaars in de autotechniek die AI-modellen willen bouwen, trainen en optimaliseren voor toepassingen in autonomie.

Aan het einde van deze training kunnen de deelnemers:

• De basisprincipes van AI en deep learning in de context van autonome voertuigen begrijpen.
• Computer vision technieken implementeren voor real-time objectdetectie en rijstrookvolgen.
• Reinforcement learning gebruiken voor besluitvorming in zelfrijdende systemen.
• Sensor fusie technieken integreren voor betere waarneming en navigatie.
• Deep learning modellen bouwen om rijscenario's te voorspellen en te analyseren.