Temario del curso
Introducción a la manipulación robótica y al aprendizaje profundo
- Descripción general de las tareas de manipulación y sus componentes clave
- Enfoques tradicionales frente a métodos basados en el aprendizaje
- Aplicaciones del aprendizaje profundo en percepción, planificación y control
Percepción para la manipulación
- Sensores visuales y detección de objetos para el agarre
- Visión 3D, medición de profundidad y procesamiento de nubes de puntos
- Entrenamiento de redes convolucionales (CNN) para la localización y segmentación de objetos
Planificación y detección del agarre
- Algoritmos clásicos para planificar el agarre
- Determinación de posturas adecuadas para el agarre a partir de datos y simulaciones
- Implementación de redes especializadas en detección del agarre (por ejemplo, GGCNN o Dex-Net)
Control y planificación del movimiento
- Cinemática inversa y generación de trayectorias
- Planificación del movimiento mediante técnicas de aprendizaje; el aprendizaje por imitación
- Uso del aprendizaje por refuerzo para definir políticas de control robótico
Integración con ROS 2 y entornos de simulación
- Configuración de nodos ROS 2 destinados a la percepción y al control
- Simulación de brazos robóticos en Gazebo e Isaac Sim
- Incorporación de modelos neuronales para el control en tiempo real
Aprendizaje integral para la manipulación
- Combinación de percepción, política y control dentro de una única red neuronal
- Utilización de datos de demostraciones para el aprendizaje supervisado de políticas
- Adaptación del entorno simulado al hardware real mediante transferencia de conocimiento
Evaluación y optimización
- Indicadores para medir el éxito, la estabilidad y precisión del agarre
- Pruebas en condiciones variables e incluso ante perturbaciones externas
- Compresión de modelos neuronales y despliegue eficiente en dispositivos periféricos
Proyecto práctico: Agarre robótico basado en aprendizaje profundo
- Diseño de una cadena completa que vaya desde la percepción hasta la ejecución de acciones
- Entrenamiento y validación de un modelo capaz de detectar puntos adecuados para el agarre
- Integración del modelo desarrollado en un brazo robótico simulado
Resumen y próximos pasos
Requerimientos
- Conocimientos sólidos sobre cinemática y dinámica robótica
- Experiencia con Python y frameworks de aprendizaje profundo
- Familiaridad con ROS o otro middleware robótico similar
Público objetivo
- Ingenieros robóticos que desarrollan sistemas de manipulación inteligentes
- Especialistas en percepción y control dedicados a aplicaciones de agarre
- Investigadores y profesionales avanzados en aprendizaje robótico y control basado en inteligencia artificial
Formación Corporativa a Medida
Soluciones de formación diseñadas exclusivamente para empresas.
- Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
- Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
- Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Precio por grupo privado (formación online) desde 5800 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
Reseñas (2)
Suministro de los materiales (máquina virtual) para comenzar directamente con los ejercicios y explicación del núcleo de ROS2. Por qué las cosas funcionan de cierta manera.
Arjan Bakema
Curso - Autonomous Navigation & SLAM with ROS 2
Traducción Automática
su conocimiento y utilización de la IA para la robótica en el futuro.
Ryle - PHILIPPINE MILITARY ACADEMY
Curso - Artificial Intelligence (AI) for Robotics
Traducción Automática
