Autonomous Navigation & SLAM with ROS 2 Training Cursus

Robotica is een gebied in kunstmatige intelligentie (KI) dat zich richt op het programmeren en ontwerpen van intelligente en efficiënte machines.

Deze door een instructeur geleide live training (online of op locatie) is bedoeld voor ingenieurs die robots willen programmeren en creëren via basis KI-methoden.

Aan het einde van deze training kunnen deelnemers:

• Filters (Kalman en deeltjes) implementeren om een robot in staat te stellen bewegende objecten in zijn omgeving te lokaliseren.
• Zoekalgorithmen en bewegingenplanning implementeren.
• PID-controles implementeren om de beweging van een robot binnen een omgeving te reguleren.
• SLAM-algorithmen implementeren om een robot in staat te stellen een onbekende omgeving in kaart te brengen.

Formaat van de cursus

• Interactieve lezing en discussie.
• Veel oefeningen en praktijk.
• Handson implementatie in een live-labomgeving.

Opties voor aanpassing van de cursus

• Om een aangepaste training voor deze cursus aan te vragen, neem dan contact met ons op om dit te regelen.

In deze door een instructeur geleide, live training (online of ter plaatse), leren deelnemers de verschillende technologieën, frameworks en technieken voor het programmeren van verschillende soorten robots die in het veld van kerntechnologie en milieusystemen worden gebruikt.

De 6-weken durende cursus vindt 5 dagen per week plaats. Elk dag is 4 uur lang en bestaat uit lezingen, discussies en hands-on robotontwikkeling in een live labomgeving. Deelnemers voltooien verschillende real-world projecten toepasbaar op hun werk om hun verworven kennis in de praktijk te brengen.

De doelhardware voor deze cursus wordt gesimuleerd in 3D via simulatiesoftware. De ROS (Robot Operating System) open-source framework, C++ en Python worden gebruikt voor het programmeren van de robots.

Aan het einde van deze training kunnen deelnemers:

• De sleutelconcepten begrijpen die in robottechnologieën worden gebruikt.
• De interactie tussen software en hardware in een robotisch systeem begrijpen en beheren.
• De softwarecomponenten begrijpen en implementeren die de basis vormen van robotica.
• Een gesimuleerde mechanische robot bouwen en bedienen die kan zien, waarnemen, verwerken, navigeren en met mensen interageren via stem.
• De noodzakelijke elementen van kunstmatige intelligentie (machine learning, deep learning, enz.) begrijpen die van toepassing zijn op het bouwen van een slimme robot.
• Filters (Kalman en Particle) implementeren om de robot in staat te stellen bewegende objecten in zijn omgeving te lokaliseren.
• Zoekalgoritmen en bewegingplanning implementeren.
• PID-regelingen implementeren om de beweging van een robot in een omgeving te reguleren.
• SLAM-algoritmen implementeren om een robot in staat te stellen een onbekende omgeving in kaart te brengen.
• De mogelijkheden van een robot om complexe taken uit te voeren uit te breiden via Deep Learning.
• Een robot testen en problemen oplossen in realistische scenario's.

In deze door een instructeur geleide live training in Nederland (online of op locatie), leren de deelnemers de verschillende technologieën, frameworks en technieken voor het programmeren van verschillende soorten robots die gebruikt worden in het veld van nucleaire technologie en milieusystemen.

De 4-wekse cursus wordt 5 dagen per week gehouden. Elk dag duurt 4 uur en bestaat uit colleges, discussies en praktische robotontwikkeling in een live labomgeving. Deelnemers voltooien verschillende real-world projecten die van toepassing zijn op hun werk om hun verworven kennis te oefenen.

De doelhardware voor deze cursus wordt gesimuleerd in 3D door simulatiesoftware. De code wordt vervolgens op de fysieke hardware (Arduino of een ander type) geladen voor de finale test van implementatie. Het ROS (Robot Operating System) open-source framework, C++ en Python worden gebruikt voor het programmeren van de robots.

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

• De sleutelconcepten te begrijpen die worden gebruikt in robottechnologieën.
• Het interactieproces tussen software en hardware in een robotsysteem te begrijpen en te beheren.
• De softwarecomponenten te begrijpen en te implementeren die ten grondslag liggen aan robotica.
• Een gesimuleerde mechanische robot te bouwen en te bedienen die kan zien, waarnemen, verwerken, navigeren en met mensen via stem interacteren.
• De noodzakelijke elementen van kunstmatige intelligentie (machine learning, deep learning, etc.) te begrijpen die van toepassing zijn op het bouwen van een slimme robot.
• Filters (Kalman en Particle) te implementeren om de robot in staat te stellen bewegende objecten in zijn omgeving te lokaliseren.
• Zoekalgoritmen en bewegingplanning te implementeren.
• PID-regelingen te implementeren om de beweging van een robot binnen een omgeving te reguleren.
• SLAM-algoritmen te implementeren om een robot in staat te stellen een onbekende omgeving in kaart te brengen.
• Een robot te testen en te troubleshooten in realistische scenario's.

OpenCV is an open-source computer vision library that enables real-time image processing, while deep learning frameworks such as TensorFlow provide the tools for intelligent perception and decision-making in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers, computer vision practitioners, and machine learning engineers who wish to apply computer vision and deep learning techniques for robotic perception and autonomy.

By the end of this training, participants will be able to:

• Implement computer vision pipelines using OpenCV.
• Integrate deep learning models for object detection and recognition.
• Use vision-based data for robotic control and navigation.
• Combine classical vision algorithms with deep neural networks.
• Deploy computer vision systems on embedded and robotic platforms.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using OpenCV and TensorFlow.
• Live-lab implementation on simulated or physical robotic systems.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Edge AI enables artificial intelligence models to run directly on embedded or resource-constrained devices, reducing latency and power consumption while increasing autonomy and privacy in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level embedded developers and robotics engineers who wish to implement machine learning inference and optimization techniques directly on robotic hardware using TinyML and edge AI frameworks.

By the end of this training, participants will be able to:

• Understand the fundamentals of TinyML and edge AI for robotics.
• Convert and deploy AI models for on-device inference.
• Optimize models for speed, size, and energy efficiency.
• Integrate edge AI systems into robotic control architectures.
• Evaluate performance and accuracy in real-world scenarios.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using TinyML and edge AI toolchains.
• Practical exercises on embedded and robotic hardware platforms.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Reinforcement learning (RL) is a machine learning paradigm where agents learn to make decisions by interacting with an environment. In robotics, RL enables autonomous systems to develop adaptive control and decision-making capabilities through experience and feedback.

This instructor-led, live training (online or onsite) is aimed at advanced-level machine learning engineers, robotics researchers, and developers who wish to design, implement, and deploy reinforcement learning algorithms in robotic applications.

By the end of this training, participants will be able to:

• Understand the principles and mathematics of reinforcement learning.
• Implement RL algorithms such as Q-learning, DDPG, and PPO.
• Integrate RL with robotic simulation environments using OpenAI Gym and ROS 2.
• Train robots to perform complex tasks autonomously through trial and error.
• Optimize training performance using deep learning frameworks like PyTorch.

Format of the Course

• Interactive lecture and discussion.
• Hands-on implementation using Python, PyTorch, and OpenAI Gym.
• Practical exercises in simulated or physical robotic environments.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.