Autonomní vozidla (AV) Školení v Brno

Tento kurz vedený instruktorem v Brno (online nebo na místě) je určen pro začátečníky, kteří se chtějí seznámit s etickými dilematy a právními rámci týkajícími se autonomních vozidel.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit etické důsledky rozhodování řízeného umělou inteligencí v autonomních vozidlech.
• Analyzovat celosvětové právní předpisy a politiky upravující samořídicí automobily.
• Posoudit otázky odpovědnosti v případě nehod způsobených autonomními vozidly.
• Vyhodnotit rovnováhu mezi inovacemi a veřejnou bezpečností v právní regulaci autonomního řízení.
• Diskutovat o reálných případech obsahujících etické dilemy a právní spory.

Tento živý školicí kurz pod vedením instruktora Brno (online nebo na místě) je určen pro začátečníky – profesionály i nadšence, kteří si chtějí osvojit základní koncepty, technologie a praktické využití autonomních vozidel.

Po absolvování kurzu budou účastníci schopni:

• Pochopit hlavní komponenty a principy fungování autonomních vozidel.
• Prozkoumat roli umělé inteligence, senzorů a zpracování dat v reálném čase u samořízených systémů.
• Analyzovat různé úrovně autonomie vozidel a jejich konkrétní praktické aplikace.
• Prostudovat etické, právní i regulační aspekty autonomní mobility.
• Získat praktické zkušenosti s simulací chování autonomních vozidel.

Toto praktické školení pod vedením lektora Brno (online či na místě) je určeno pro síťové inženýry středně pokročilé úrovně a vývojáře automobilního IoT, kteří si chtějí osvojit a implementovat technologie V2X v kontextu autonomních vozidel.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit základní principy komunikace typu V2X.
• Analyzovat modely komunikace V2V, V2I, V2P a V2N.
• Implementovat protokoly V2X, jako je DSRC a C-V2X.
• Vytvářet simulace prostředí propojených vozidel.
• Řešit problémy související s kybernetickou bezpečností a ochranou soukromí v sítích V2X.

Toto školení vedené instruktorem v Brno (online nebo na místě) je určeno pro inženýry středně pokročilé úrovně, odborníky z automobilového průmyslu a specialisty na IoT, kteří se chtějí seznámit s rolí senzorů v samořídících vozidlech. Kryje problematiku LiDARu, radarů, kamer a metod kombinování senzorových dat.

Po absolvování tohoto kurzu budou účastníci schopni:

• Popsat jednotlivé typy senzorů používaných v autonomních vozidlech.
• Analyzovat data ze senzorů pro okamžité rozpoznávání prostředí a rozhodování vozidla.
• Aplikovat techniky kombinování senzorových dat za účelem zvýšení přesnosti a bezpečnosti vozidla.
• Optimalizovat umístění a kalibraci senzorů pro lepší výkon autonomního řízení.

Toto školení vedené instruktorem v <lok> (online nebo prezenčně) je určeno pro pokročilé bezpečnostní inženýry a odborníky na automobilovou bezpečnost, kteří si přejí vypracovat komplexní bezpečnostní strategie pro autonomní vozidla – včetně analýzy nebezpečí, posuzování funkční bezpečnosti a dodržování mezinárodních standardů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Identifikovat a vyhodnocovat bezpečnostní rizika spojená s systémy autonomního řízení.
• Provádět analýzu nebezpečí a hodnocení rizik podle průmyslových standardů.
• Implementovat metody validace a ověřování bezpečnosti u systémů autonomních vozidel.
• Aplikovat standardy funkční bezpečnosti, jako například ISO 26262 a SOTIF.
• Vypracovávat strategie na zmírňování rizik v oblasti bezpečnosti autonomních vozidel.

Toto výcvikové školení pod vedením instruktora Brno (online nebo na místě) je určeno pro pokročilé specialisty na fúzi senzorových dat a inženýry umělé inteligence, kteří chtějí vyvíjet algoritmy pro spojování dat z více senzorů a optimalizovat jejich využití při reálné autonomní navigaci.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět základům a výzvám spojeným s fúzí dat z více senzorů.
• Implementovat algoritmy pro fúzi senzorových dat určené k reálné autonomní navigaci.
• Integrovat data z LiDARu, kamer a radaru za účelem lepšího vnímání prostředí.
• Analyzovat a vyhodnocovat výkonnost systémů pro fúzi dat za různých podmínek.
• Vytvořit praktická řešení pro redukci šumu v datech a jejich synchronizaci.

Toto živé školení pod vedením instruktora Brno (online nebo na místě) je určeno pro vývojáře umělé inteligence a inženýry počítačového vidění na středně pokročilé úrovni, kteří chtějí budovat robustní vizuální systémy pro autonomní řízení.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit základní koncepty počítačového vidění v autonomních vozidlech.
• Implementovat algoritmy pro detekci objektů, rozpoznávání jízdních pruhů a semantickou segmentaci.
• Integrovat vizuální systémy s dalšími subsystémy autonomních vozidel.
• Využívat metody hlubokého učení k řešení pokročilých úkolů v oblasti vnímání prostředí.
• Vyhodnocovat výkonnost modelů počítačového vidění v reálných podmínkách.

Toto živé školení vedené výukujícím v jazyce Brno (online nebo na místě) je určeno pro robotické inženýry a výzkumníky umělé inteligence pokročilé úrovně, kteří chtějí implementovat sofistikované algoritmy plánování trajektorií a zlepšit výkon autonomních vozidel.

Na konci tohoto školení budou účastníci schopni:

• Pochopit teoretická základy pokročilých algoritmů plánování trajektorií.
• Implementovat algoritmy jako RRT*, A* a D* pro navigaci v reálném čase.
• Optimalizovat plánování trajektorií pro vyhnání překážek a dynamická prostředí.
• Integrovat algoritmy plánování trajektorií s daty ze senzorů pro zvýšení přesnosti.
• Vyhodnotit výkon různých algoritmů v praktických scénářích.

Tento lektorem vedený živý výukový kurz v Brno (online nebo prezenčně) je určen pro pokročilé vědecké pracovníky v oblasti dat, specialisty na AI a vývojáře AI v automobilovém průmyslu, kteří si přejí budovat, trenovat a optimalizovat modely AI pro aplikace autonomního řízení.

Po dokončení tohoto výukového kurzu budou účastníci schopni:

• Pochopit základy umělé inteligence a hlubokého učení v kontextu autonomních vozidel.
• Nasadit techniky počítačového vidění pro detekci objektů v reálném čase a sledování vozového pruhu.
• Využít učení se zesíleným posilováním pro rozhodování v systémech samostatného řízení.
• Integrovat techniky fúze snímačů pro lepší vnímání a navigaci.
• Budovat modely hlubokého učení k predikci a analýze jízdních scénářů.