AI for Robotics Školení v České republice

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.

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.

ROS 2 (Robot Operating System 2) is an open-source framework designed to support the development of complex and scalable robotic applications.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers and developers who wish to implement autonomous navigation and SLAM (Simultaneous Localization and Mapping) using ROS 2.

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

• Set up and configure ROS 2 for autonomous navigation applications.
• Implement SLAM algorithms for mapping and localization.
• Integrate sensors such as LiDAR and cameras with ROS 2.
• Simulate and test autonomous navigation in Gazebo.
• Deploy navigation stacks on physical robots.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using ROS 2 tools and simulation environments.
• Live-lab implementation and testing on virtual or physical robots.

Course Customization Options

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

Robotika je oblast umělé inteligence (AI), která se zabývá programováním a návrhem chytrých a efektivních strojů.

Toto vedení instruktorem, živé školení (online nebo přítomné) je zaměřeno na inženýry, kteří chtějí programovat a vytvářet roboty pomocí základních metod umělé inteligence.

Na konci tohoto školení budou účastníci schopni:

• Naimplementovat filtry (Kalman a částicové) pro povolení robotovi lokalizace pohyblivých objektů v jeho prostředí.
• Naimplementovat vyhledávací algoritmy a plánování pohybu.
• Naimplementovat PID řízení pro regulaci pohybu robota v prostředí.
• Naimplementovat algoritmy SLAM (Simultaneous Localization and Mapping) pro povolení robotovi mapování neznámého prostředí.

Formát kurzu

• Interaktivní přednáška a diskuse.
• Množství cvičení a praxe.
• Přímé implementace v živém laboratorním prostředí.

Možnosti přizpůsobení kurzu

• Pro požadavek na přizpůsobené školení pro tento kurz nás kontaktujte, abychom to zařídili.

Na této vedené instruktorem, živé tréninku v České republice (online nebo na místě), účastníci získají znalosti o různých technologiích, frameworkech a metodách pro programování různých typů robotů používaných v oblasti jaderné technologie a environálních systémů.

Šestitýdenní kurz se koná 5krát týdně. Každý den trvá 4 hodiny a zahrnuje přednášky, diskuse a praktické vývoj robotů v živém laboratorním prostředí. Účastníci dokončí různé skutečné projekty aplikovatelné ve své práci pro cvičení získaných znalostí.

Cílový hardwar pro tento kurz bude simulován v 3D prostřednictvím software pro simulaci. Bude se používat open-source framework ROS (Robot Operating System), C++ a Python k programování robotů.

Po absolvování tohoto tréninku budou účastníci moci:

• Porozumět klíčovým konceptům používaných v robotické technologii.
• Porozumět a spravovat interakci mezi softwarovou a hardwarovou částí v robotechnickém systému.
• Porozumět a implementovat software komponenty podkládající robotiku.
• Vytvořit a ovládat simulovaný mechanický robota, který dokáže vidět, cítit, zpracovávat, navigovat a interagovat s lidmi hlasem.
• Porozumět důležitým prvkům umělé inteligence (strojové učení, hluboké učení atd.), aplikovatelných při vytváření chytrých robotů.
• Implementovat filtry (Kalman a Particle) pro umožnění robota lokalizovat se pohybující objekty ve svém prostředí.
• Implementovat algoritmy hledání a plánování pohybu.
• Implementovat PID ovládací systémy pro regulaci robotova pohybu v prostředí.
• Implementovat algoritmy SLAM pro umožnění robota zmapování neznámého prostředí.
• Rozšířit schopnosti robota provádět složité úkoly pomocí hlubokého učení.
• Testovat a vyřešit problémy robota v realistických scénářích.

V tomto instruktorově vést kurzu v České republice (online nebo na místním zařízení) se účastníci naučí různé technologie, frameworky a techniky pro programování různých typů robotů k použití v oblasti jaderné technologie a environmentálních systémů.

Čtyřtýdenní kurz se koná 5 dní týdně. Každý den trvá 4 hodiny a zahrnuje přednášky, diskuze a praxi vytváření robotů ve živém laboratorním prostředí. Účastníci dokončí různé skutečné projekty relevantní pro jejich práci, aby mohli procvičit získané znalosti.

Cílová hardwarová konfigurace bude simulována v 3D pomocí softwaru pro simulaci. Kód pak bude nahrán na fyzický hardwar (Arduino nebo jiný) pro finální testování nasazení. Otevřený zdrojový framework ROS (Robot Operating System), C++ a Python budou použity pro programování robotů.

Na konci tohoto tréninku budou účastníci schopni:

• Pochopit klíčové pojmy používané v technologiích robota.
• Porozumět a spravovat interakci mezi softwarou a hardwarem ve systému robotů.
• Pochopit a implementovat software, který podporuje robota.
• Vytvořit a ovládat simulovaného mechanického robota schopného vidět, vnímat, zpracovávat informace, navigovat a interagovat s člověkem hlasem.
• Pochopit nutné prvky umělé inteligence (strojové učení, hluboké učení atd.) relevantní pro vytvoření chytrých robotů.
• Implementovat filtry (Kalman a Particle) umožňující robota lokalizovat pohybující se objekty ve svém prostředí.
• Implementovat algoritmy hledání a plánování pohybu.
• Implementovat řízení PID pro regulaci pohybu robota v prostředí.
• Implementovat SLAM algoritmy umožňující robotovi vykreslit neznámé prostředí.
• Testovat a odstraňovat chyby robota v skutečných scénářích.