Autonomous Vehicles (AVs) Školení v Prague

Tato instruktorem vedená živá školení v Prague (online nebo na místě) je určena začínajícím profesionálům, kteří si přejí prozkoumat etické dilemata a právní rámce týkající se autonomních vozidel.

Konce školení budou účastníci schopni:

• Pochopit etické důsledky rozhodování řízeného umělou inteligencí v autonomních vozidlech.
• Analyzovat globální právní rámce a politiky regulující bezpilotní automobily.
• Prozkoumat odpovědnost a podávání účetnosti při nehodách s autonomními vozidly.
• Oceňovat rovnováhu mezi inovací a veřejnou bezpečností v zákonech o autonomním jízdním ruchu.
• Diskutovat případové studie z reálného života týkající se etických dilemat a právních sporů.

Toto školení vedené instruktorem, probíhající živě (online nebo prezenčně), je zaměřeno na profesionály a nadšence na začátečnické úrovni, kteří chtějí porozumět základním konceptům, technologiím a aplikacím autonomních vozidel.

Na konci tohoto školení budou účastníci schopni:

• Pochopit klíčové komponenty a principy fungování autonomních vozidel.
• Prozkoumat roli AI, senzorů a zpracování dat v reálném čase v systémech autonomního řízení.
• Analyzovat různé úrovně autonomie vozidel a jejich aplikace v reálném světě.
• Prozkoumat etické, právní a regulační aspekty autonomní mobility.
• Získat praktické zkušenosti se simulacemi autonomních vozidel.

Toto školení vedené instruktorem, ať už online nebo prezenčně, je určeno pro síťové inženýry střední úrovně a vývojáře v oblasti automobilového IoT, kteří chtějí porozumět a implementovat technologie V2X komunikace pro autonomní vozidla.

Na konci tohoto školení budou účastníci schopni:

• Porozumět základním konceptům V2X komunikace.
• Analyzovat komunikační modely V2V, V2I, V2P a V2N.
• Implementovat protokoly V2X, jako jsou DSRC a C-V2X.
• Vyvíjet simulace pro prostředí připojených vozidel.
• Řešit problémy kybernetické bezpečnosti a ochrany soukromí v sítích V2X.

Tento živý, instruktorem vedený kurz (online nebo prezenčně) je určen pro inženýry střední úrovně, odborníky v automobilovém průmyslu a specialisty na IoT, kteří chtějí porozumět roli senzorů v autonomních vozidlech, včetně LiDAR, radaru, kamer a technik fúze senzorů.

Na konci tohoto kurzu budou účastníci schopni:

• Porozumět různým typům senzorů používaných v autonomních vozidlech.
• Analyzovat data ze senzorů pro vnímání vozidla v reálném čase a rozhodování.
• Implementovat techniky fúze senzorů pro zlepšení přesnosti a bezpečnosti vozidla.
• Optimalizovat umístění a kalibraci senzorů pro zvýšení výkonu autonomního řízení.

Toto školení vedené instruktorem, ať už online nebo prezenčně, je určeno pro pokročilé bezpečnostní inženýry a odborníky na bezpečnost automobilů, kteří si přejí vyvinout komplexní bezpečnostní strategie pro autonomní vozidla, včetně analýzy nebezpečí, funkčních bezpečnostních posouzení a dodržování mezinárodních norem.

Na konci tohoto školení budou účastníci schopni:

• Identifikovat a posoudit bezpečnostní rizika spojená s autonomními řídicími systémy.
• Provádět analýzu nebezpečí a posouzení rizik s využitím průmyslových standardů.
• Implementovat metody validace a verifikace bezpečnosti pro systémy AV.
• Aplikovat funkční bezpečnostní normy, jako jsou ISO 26262 a SOTIF.
• Vyvinout strategie pro zmírnění rizik spojených s bezpečnostními problémy AV.

Toto školení vedené instruktorem, ať už online nebo prezenčně, je zaměřeno na pokročilé specialisty na fúzi senzorů a inženýry umělé inteligence, kteří chtějí vyvíjet algoritmy pro fúzi více senzorů a optimalizovat navigaci v reálném čase v autonomních systémech.

Po absolvování tohoto školení budou účastníci schopni:

• Pochopit základy a výzvy fúze dat z více senzorů.
• Implementovat algoritmy pro fúzi senzorů pro navigaci v reálném čase v autonomních systémech.
• Integrovat data z LiDAR, kamer a RADARu pro zlepšení vnímání okolí.
• Analyzovat a vyhodnocovat výkon fúzního systému za různých podmínek.
• Vyvíjet praktická řešení pro redukci šumu senzorů a zarovnání dat.

Tento vedený instruktorem, živý kurz (online nebo na místě) je zaměřen na středně pokročilé AI vývojáře a inženýry počítačového zpracování obrazu, kteří chtějí vybudit robustní systémy zpracování obrazu pro aplikace autonomního řízení.

Na konci tohoto kurzu budou účastníci schopni:

• Porozumět základním konceptům počítačového zpracování obrazu v autonomních vozidlech.
• Implementovat algoritmy pro detekci objektů, detekci jízdních pruhů a semantickou segmentaci.
• Integrovat systémy zpracování obrazu s ostatními podřízenými systémy autonomních vozidel.
• Aplikovat techniky hlubokého učení pro pokročilé úkoly vnímání.
• Posoudit výkon modelů počítačového zpracování obrazu v reálných situacích.

Tento kurz vedený instruktorem, který probíhá naživo (online nebo přímo v místě konání), je určen pro pokročilé robotické inženýry a výzkumníky v oblasti umělé inteligence, kteří chtějí implementovat sofistikované algoritmy pro plánování cest a zlepšit výkon autonomních vozidel.

Na konci tohoto kurzu budou účastníci schopni:

• Pochopit teoretické základy pokročilých algoritmů pro plánování cest.
• Implementovat algoritmy, jako jsou RRT*, A* a D*, pro navigaci v reálném čase.
• Optimalizovat plánování cest pro vyhýbání se překážkám a dynamickým prostředím.
• Integrovať algoritmy pro plánování cest se senzorickými daty pro zvýšení přesnosti.
• Vyhodnotit výkon různých algoritmů v praktických scénářích.

Tento instruktorově prováděný, živý trénink v Prague (online nebo na místním zařízení) je určen pro pokročilé datové vědce, odborníky na umělou inteligenci a vývojáře AI pro automobily, kteří chtějí navrhnout, trénovat a optimalizovat modely umělé inteligence pro aplikace autonomního řízení vozidel.

Po absolvování tohoto tréninku budou účastníci schopni:

• Porozumět základům umělé inteligence a hlubokého učení v kontextu autonomních vozidel.
• Implementovat techniky počítačového vidění pro detekci objektů v reálném čase a sledování jízdních pruhů.
• Využít učení s povzbuzením pro rozhodování ve systémech samořídících vozidel.
• Integrace technik fúze senzorů pro lepší poznávání a navigaci.
• Vytvořit modely hlubokého učení k predikci a analýze jízdních scénářů.