Sie haben ein Projekt im Kopf, aber es fehlt Ihnen an Spezialisierung? In diesem Studiengang vermittelt Ihnen ein Team von Robotikexperten das nötige Knowhow, um in der Industrie 4.0 erfolgreich zu sein”

Die Robotik ist aus unserem Alltag nicht mehr wegzudenken. Nicht nur in der Industrie, die sich dank des technischen und wissenschaftlichen Fortschritts enorm entwickelt hat, sind diese Maschinen präsent, sondern die Robotikist auch näher an die breite Öffentlichkeit herangerückt. Es ist nicht mehr ungewöhnlich, dass jeder, der über ein gewisses Bildungsniveau verfügt, eine Drohne steuern kann, eine virtuelle Brille besitzt, mit der er in das neueste Videospiel eintauchen kann, oder ein Haus besitzt, das mit dieser Technologie ausgestattet ist, die alle möglichen Probleme lösen kann.

Robotikist ein gängiger Begriff, der für Informatiker, die sich auf einen Bereich mit großem Wachstumspotenzial spezialisieren möchten, eine große Zukunft hat. Dieser private Masterstudiengang vermittelt umfassende Kenntnisse, die es den Studenten ermöglichen, sich in den Bereichen Augmented Reality, künstliche Intelligenz, Luft- und Raumfahrt oder industrielle Technologien weiterzubilden. All dies wird ihnen den Zugang zu Unternehmen in verschiedenen Sektoren oder die Entwicklung ihrer eigenen Robotik-Projekte ermöglichen.

Damit die Studenten ihr Ziel erreichen können, hat TECH für dieses 100%ige Online-Programm ein Team von Fachleuten zusammengestellt, die über umfangreiche Erfahrungen in renommierten internationalen Projekten im Bereich der Robotikverfügen. Dieses Studienprogramm bietet IT-Fachkräften einen theoretisch-praktischen Ansatz, bei dem sie nicht nur die neuesten Entwicklungen in der Robotikkennen lernen, sondern auch deren Anwendung in realen Umgebungen erleben.

Dies ist eine ausgezeichnete Gelegenheit, um mit einer Qualifikation voranzukommen, die von Anfang an einen vollständigen Lehrplan bietet, der aus Videozusammenfassungen, wichtiger Lektüre, ausführlichen Videos und Übungen zum Selbststudium besteht. Auf diese Weise erhalten die Studenten auf bequeme Weise eine globale Vision der Robotik, da sie auf alle Inhalte zugreifen können, wann immer sie wollen, und das Lernpensum an ihre eigenen Bedürfnisse anpassen können.  Auf diese Weise werden sie in der Lage sein, das akademische Studium mit ihren persönlichen Verpflichtungen in Einklang zu bringen.

Loggen Sie sich ein, wann immer Sie wollen und zu jeder Zeit, um auf alle Inhalte dieses Studiengangs zuzugreifen. TECH passt sich Ihnen an”

 

Dieser Weiterbildender Masterstudiengang in Robotik enthält das vollständigste und aktuellste Programm auf dem Markt. Die hervorstechendsten Merkmale sind:

• Die Entwicklung von Fallstudien, die von Experten für Robotik vorgestellt werden
• Der anschauliche, schematische und äußerst praxisnahe Inhalt vermittelt alle für die berufliche Praxis unverzichtbaren wissenschaftlichen und praktischen Informationen
• Er enthält praktische Übungen, in denen der Selbstbewertungsprozess durchgeführt werden kann, um das Lernen zu verbessern
• Sein besonderer Schwerpunkt liegt auf innovativen Methoden
• Theoretische Vorträge, Fragen an den Experten, Diskussionsforen zu kontroversen Themen und individuelle Reflexionsarbeit
• Die Verfügbarkeit des Zugangs zu Inhalten von jedem festen oder tragbaren Gerät mit Internetanschluss

Schreiben Sie sich jetzt ein und verpassen Sie nicht die Gelegenheit, sich in den Kerntechnologien des visuellen SLAM weiterzubilden”

Zu den Dozenten des Programms gehören Fachleute aus der Branche, die ihre Erfahrungen aus ihrer Arbeit in diese Weiterbildung einbringen, sowie anerkannte Spezialisten aus führenden Unternehmen und renommierten Universitäten.

Die multimedialen Inhalte, die mit der neuesten Bildungstechnologie entwickelt wurden, werden der Fachkraft ein situiertes und kontextbezogenes Lernen ermöglichen, d. h. eine simulierte Umgebung, die eine immersive Fortbildung bietet, die auf die Ausführung von realen Situationen ausgerichtet ist.

Das Konzept dieses Programms konzentriert sich auf problemorientiertes Lernen, bei dem die Fachkraft versuchen muss, die verschiedenen Situationen aus der beruflichen Praxis zu lösen, die während des gesamten Studiengangs gestellt werden. Zu diesem Zweck wird sie von einem innovativen interaktiven Videosystem unterstützt, das von renommierten Experten entwickelt wurde.

Entwickeln Sie saubere und effiziente SPS-Programmiertechniken mit diesem Universitätsstudium”

Beherrschen Sie die fortschrittlichste Robotik dank des Beitrags dieses Studiengangs zu Hardware- und Software-Agenten”

In diesem Programm, das online unterrichtet wird, haben die Studenten Zugang zu umfangreichen Inhalten im Bereich der Robotik, die in 10 Module unterteilt sind, auf die jederzeit zugegriffen werden kann. Die theoretischen und praktischen Inhalte des Lehrplans können dank der multimedialen Ressourcen und des Relearning-Systems, das auf der Wiederholung der Inhalte basiert, schneller erworben werden. Auf diese Weise hat der IT-Spezialist alle notwendigen Kenntnisse zur Hand, um in diesem Bereich voranzukommen. 

Schreiben Sie sich jetzt für einen Studiengang ein, der Sie mit den neuesten Entwicklungen im Bereich Robotik und Industrie 4.0 vertraut macht” 

Modul 1. Robotik. Roboterdesign und -modellierung

1.1. Robotik und Industrie 4.0

1.1.1. Robotik und Industrie 4.0
1.1.2. Anwendungsbereiche und Anwendungsfälle
1.1.3. Teilbereiche des Fachwissens in der Robotik

1.2. Roboter-Hardware und Software-Architekturen

1.2.1. Hardware-Architekturen und Echtzeit
1.2.2. Roboter-Software-Architekturen
1.2.3. Kommunikationsmodelle und Middleware-Technologien
1.2.4. Software-Integration mit dem Robot Operating System (ROS)

1.3. Mathematische Modellierung von Robotern

1.3.1. Mathematische Darstellung von starren Körpern
1.3.2. Rotationen und Translationen
1.3.3. Hierarchische Zustandsdarstellung
1.3.4. Verteilte Zustandsdarstellung in ROS (TF-Bibliothek)

1.4. Roboterkinematik und -dynamik

1.4.1. Kinematik
1.4.2. Dynamik
1.4.3. Unterbetätigte Roboter
1.4.4. Redundante Roboter

1.5. Modellierung und Simulation von Robotern

1.5.1. Technologien zur Robotermodellierung
1.5.2. Robotermodellierung mit URDF
1.5.3. Roboter-Simulation
1.5.4. Modellierung mit Gazebo-Simulator

1.6. Roboter-Manipulatoren

1.6.1. Arten von Manipulator-Robotern
1.6.2. Kinematik
1.6.3. Dynamik
1.6.4. Simulation

1.7. Mobile Bodenroboter

1.7.1. Arten von mobilen Bodenrobotern
1.7.2. Kinematik
1.7.3. Dynamik
1.7.4. Simulation

1.8. Mobile Flugroboter

1.8.1. Arten von mobilen Flugrobotern
1.8.2. Kinematik
1.8.3. Dynamik
1.8.4. Simulation

1.9. Mobile Wasserroboter

1.9.1. Arten von mobilen Wasserrobotern
1.9.2. Kinematik
1.9.3. Dynamik
1.9.4. Simulation

1.10. Bio-inspirierte Roboter

1.10.1. Humanoide
1.10.2. Roboter mit vier oder mehr Beinen
1.10.3. Modulare Roboter
1.10.4. Roboter mit flexiblen Teilen (Soft-Robotics)

Modul 2. Intelligente Agenten. Anwendung von Künstlicher Intelligenz auf Roboter und Softbots

2.1. Intelligente Agenten und künstliche Intelligenz

2.1.1. Intelligente Roboter. Künstliche Intelligenz
2.1.2. Intelligente Agenten    

2.1.2.1. Hardware-Agenten. Robots
2.1.2.2. Software-Agenten. Softbots

2.1.3. Robotik-Anwendungen

2.2. Die Verbindung zwischen Gehirn und Algorithmus

2.2.1. Biologische Inspiration für künstliche Intelligenz
2.2.2. In Algorithmen implementiertes logisches Denken. Typologie
2.2.3. Erklärbarkeit von Ergebnissen in Algorithmen der Künstlichen Intelligenz
2.2.4. Entwicklung von Algorithmen bis hin zum Deep Learning

2.3. Lösungsraum-Suchalgorithmen

2.3.1. Elemente der Lösungsraumsuche
2.3.2. Lösungsraum-Suchalgorithmen bei Problemen der Künstlichen Intelligenz
2.3.3. Anwendungen von Such- und Optimierungsalgorithmen
2.3.4. Suchalgorithmen angewandt auf maschinelles Lernen

2.4. Maschinelles Lernen

2.4.1. Maschinelles Lernen
2.4.2. Überwachte Lernalgorithmen
2.4.3. Unüberwachte Lernalgorithmen
2.4.4. Algorithmen für Verstärkungslernen

2.5. Überwachtes Lernen

2.5.1. Methoden des überwachten Lernens
2.5.2. Entscheidungsbäume für die Klassifizierung
2.5.3. Support-Vektor-Maschinen
2.5.4. Künstliche neuronale Netzwerke
2.5.5. Anwendungen des überwachten Lernens

2.6. Unüberwachtes Lernen

2.6.1. Unüberwachtes Lernen
2.6.2. Kohonen-Netze
2.6.3. Selbstorganisierende Karten
2.6.4. K-Means Algorithmus

2.7. Verstärkungslernen

2.7.1. Verstärkungslernen
2.7.2. Agenten auf Basis von Markov-Prozessen
2.7.3. Algorithmen für Verstärkungslernen
2.6.4. Verstärkungslernen angewandt auf Robotik

2.8. Künstliche neuronale Netze und Deep Learning

2.8.1. Künstliche Neuronale Netze. Typologie
2.8.2. Neuronale Netzwerkanwendungen
2.8.3. Transformation von Machine Learning zum Deep Learning
2.8.4. Deep Learning-Anwendungen

2.9. Probabilistische Inferenz

2.9.1. Probabilistische Inferenz
2.9.2. Arten der Inferenz und Definition der Methode
2.9.3. Bayessche Inferenz als Fallstudie
2.9.4. Nichtparametrische Inferenztechniken
2.9.5. Gaußsche Filter

2.10. Von der Theorie zur Praxis: Die Entwicklung eines intelligenten Roboteragenten

2.10.1. Einbindung von Modulen des überwachten Lernens in einen Roboteragenten
2.10.2. Einbindung von Modulen des Verstärkungslernens in einen Roboteragenten
2.10.3. Architektur eines durch künstliche Intelligenz gesteuerten Roboteragenten
2.10.4. Professionelle Werkzeuge für die Implementierung des intelligenten Agenten
2.10.5. Phasen der Implementierung von KI-Algorithmen in Roboteragenten

Modul 3. Robotik in der Automatisierung von industriellen Prozessen

3.1. Entwurf von automatisierten Systemen

3.1.1. Hardware-Architekturen
3.1.2. Speicherprogrammierbare Steuerungen
3.1.3. Industrielle Kommunikationsnetzwerke

3.2. Fortgeschrittenes elektrisches Design I: Automatisierung

3.2.1. Entwurf von Schalttafeln und Symbologie
3.2.2. Strom- und Steuerkreise. Oberschwingungen 
3.2.3. Schutz- und Erdungselemente

3.3. Fortgeschrittenes elektrisches Design II: Determinismus und Sicherheit

3.3.1. Maschinensicherheit und Redundanz
3.3.2. Sicherheitsrelais und Auslöser
3.3.3. Sicherheits-PLCs
3.3.4. Sichere Netzwerke

3.4. Elektrische Betätigung

3.4.1. Motoren und Servomotoren
3.4.2. Frequenzumrichter und Steuerungen
3.4.3. Elektrisch betriebene Industrierobotik

3.5. Hydraulische und pneumatische Betätigung

3.5.1. Hydraulische Konstruktion und Symbolik
3.5.2. Pneumatischer Aufbau und Symbolik
3.5.3. ATEX-Umgebungen in der Automatisierung

3.6. Messwertaufnehmer in der Robotik und Automation

3.6.1. Positions- und Geschwindigkeitsmessung
3.6.2. Kraft- und Temperaturmessung
3.6.3. Messung der Anwesenheit
3.6.4. Sensoren für das Sehen

3.7. Programmierung und Konfiguration von speicherprogrammierbaren Steuerungen PLCs

3.7.1. PLC-Programmierung: LD
3.7.2. PLC-Programmierung: ST
3.7.3. PLC-Programmierung: FBD und CFC
3.7.4. PLC-Programmierung: SFC

3.8. Programmierung und Konfiguration von Geräten in Industrieanlagen

3.8.1. Programmierung von Antrieben und Steuerungen
3.8.2. HMI-Programmierung
3.8.3. Manipulator-Roboter-Programmierung

3.9. Programmierung und Konfiguration von industriellen Computeranlagen

3.9.1. Programmierung von Bildverarbeitungssystemen
3.9.2. SCADA/Software-Programmierung
3.9.3. Netzwerk-Konfiguration

3.10. Implementierung von Automatismen

3.10.1. Entwurf einer Zustandsmaschine
3.10.2. Implementierung von Zustandsautomaten in PLCs
3.10.3. Implementierung von analogen PID-Regelsystemen in PLCs
3.10.4. Wartung der Automatisierung und Codehygiene
3.10.5. Simulation von Automatismen und Anlagen

Modul 4. Automatische Steuerungssysteme in der Robotik

4.1. Analyse und Entwurf von nichtlinearen Systemen

4.1.1. Analyse und Modellierung nichtlinearer Systeme
4.1.2. Rückkopplungskontrolle
4.1.3. Linearisierung durch Rückkopplung

4.2. Entwurf von Kontrolltechniken für fortgeschrittene nichtlineare Systeme

4.2.1. Sliding Mode Steuerung (Sliding Mode Control)
4.2.2. Lyapunov und Backstepping-Steuerung
4.2.3. Passivitätsbasierte Steuerung

4.3. Architekturen der Steuerung

4.3.1. Robotik-Paradigma
4.3.2. Steuerungsarchitekturen
4.3.3. Anwendungen und Beispiele von Kontrollarchitekturen

4.4. Bewegungssteuerung für Roboterarme

4.4.1. Kinematische und dynamische Modellierung
4.4.2. Steuerung im Gelenkraum
4.4.3. Kontrolle im operativen Bereich

4.5. Steuerung der Aktuatorkraft

4.5.1. Kontrolle der Kraft
4.5.2. Impedanz-Steuerung
4.5.3. Hybride Steuerung

4.6. Mobile Bodenroboter

4.6.1. Gleichungen der Bewegung
4.6.2. Steuerungstechniken für Bodenroboter
4.6.3. Mobile Manipulatoren

4.7. Mobile Flugroboter

4.7.1. Gleichungen der Bewegung
4.7.2. Steuerungstechniken für Flugroboter
4.7.3. Manipulation in der Luft

4.8. Steuerung basierend auf Techniken des maschinellen Lernens

4.8.1. Kontrolle durch überwachtes Lernen
4.8.2. Kontrolle durch Reinforcement Learning
4.8.3. Kontrolle durch überwachtes Lernen

4.9. Vision-basierte Kontrolle

4.9.1. Positionsbasiertes Visual Servoing
4.9.2. Bildbasiertes Visual Servoing
4.9.3. Hybrides Visual Servoing

4.10. Prädiktive Steuerung

4.10.1. Modelle und Zustandsschätzung
4.10.2. MPC angewandt auf mobile Roboter
4.10.3. MPC angewandt auf UAVs

Modul 5. Algorithmen zur Roboterplanung

5.1. Klassische Algorithmen zur Planung

5.1.1. Diskrete Planung: Zustandsraum
5.1.2. Planungsprobleme in der Robotik. Modelle für Robotersysteme
5.1.3. Klassifizierung von Planern

5.2. Das Problem der Trajektorienplanung bei mobilen Robotern

5.2.1. Formen der Umgebungsdarstellung: Graphen
5.2.2. Algorithmen zur Graphensuche
5.2.3. Eingabe von Kosten in Netzwerke
5.2.4. Suchalgorithmen in schweren Graphen
5.2.5. Algorithmen mit beliebigem Winkelansatz

5.3. Planung in hochdimensionalen Robotersystemen

5.3.1. Hochdimensionale Robotik-Probleme: Manipulatoren
5.3.2. Direktes/inverses kinematisches Modell
5.3.3. Sampling-Planungsalgorithmen PRM und RRT
5.3.4. Planung unter dynamischen Beschränkungen

5.4. Optimale Stichprobenplanung

5.4.1. Probleme der stichprobenbasierten Planer
5.4.2. RRT* probabilistisches Optimalitätskonzept
5.4.3. Wiederverbindungsschritt: dynamische Beschränkungen
5.4.4. CForest. Parallelisierung der Planung

5.5. Tatsächliche Implementierung eines Bewegungsplanungssystems

5.5.1. Globales Planungsproblem. Dynamische Umgebungen
5.5.2. Aktionskreislauf, Sensorisierung. Beschaffung von Informationen aus der Umgebung
5.5.3. Lokale und globale Planung

5.6. Koordination in Multi-Roboter-Systemen I: Zentralisiertes System

5.6.1. Problem der Multi-Roboter-Koordination
5.6.2. Kollisionserkennung und -auflösung: Trajektorienmodifikation mit Genetischen Algorithmen
5.6.3. Andere bio-inspirierte Algorithmen: Partikelschwärmen und Feuerwerk
5.6.4. Algorithmus zur Kollisionsvermeidung durch Wahl des Manövers

5.7. Koordination in Multi-Roboter-Systemen II: Verteilte Ansätze I

5.7.1. Verwendung von komplexen Zielfunktionen
5.7.2. Pareto-Front
5.7.3. Multi-Objektive evolutionäre Algorithmen

5.8. Koordination in Multi-Roboter-Systemen III: Verteilte Ansätze II

5.8.1. Planungssysteme der Ordnung 1
5.8.2. ORCA-Algorithmus
5.8.3. Hinzufügen von kinematischen und dynamischen Einschränkungen in ORCA

5.9. Theorie der Entscheidungsplanung

5.9.1. Entscheidungstheorie
5.9.2. Sequentielle Entscheidungssysteme
5.9.3. Sensoren und Informationsräume
5.9.4. Planung der Unsicherheit von Sensoren und Aktoren

5.10. Planungssysteme mit Verstärkungslernen

5.10.1. Ermittlung der erwarteten Belohnung eines Systems
5.10.2. Techniken des Lernens mit mittlerer Belohnung
5.10.3. Inverses Verstärkungslernen

Modul 6. Maschinelle Bildverarbeitungstechniken in der Robotik: Bildverarbeitung nd -analyse

6.1. Computer Vision

6.1.1. Computer Vision
6.1.2. Elemente eines Computer Vision Systems
6.1.3. Mathematische Werkzeuge

6.2. Optische Sensoren für die Robotik

6.2.1. Passive optische Sensoren
6.2.2. Aktive optische Sensoren
6.2.3. Nichtoptische Sensoren

6.3. Bildakquisition

6.3.1. Bilddarstellung
6.3.2. Farbraum
6.3.3. Digitalisierungsprozess

6.4. Bildgeometrie

6.4.1. Linsenmodelle
6.4.2. Kamera-Modelle
6.4.3. Kalibrierung der Kamera

6.5. Mathematische Werkzeuge

6.5.1. Histogramm eines Bildes
6.5.2. Convolution
6.5.3. Fourier-Transformation

6.6. Vorverarbeitung von Bildern

6.6.1. Rauschanalyse
6.6.2. Bildglättung
6.6.3. Bildverbesserung

6.7. Bildsegmentierung

6.7.1. Kontur-basierte Techniken
6.7.3. Histogramm-basierte Techniken
6.7.4. Morphologische Operationen

6.8. Erkennung von Bildmerkmalen

6.8.1. Erkennung von Points of Interest
6.8.2. Merkmal-Deskriptoren
6.8.3. Merkmalsabgleich

6.9. 3D-Vision-Systeme

6.9.1. 3D-Wahrnehmung
6.9.2. Merkmalsabgleich zwischen Bildern
6.9.3. Geometrie mit mehreren Ansichten

6.10. Computer Vision basierte Lokalisierung

6.10.1. Das Problem der Roboterlokalisierung
6.10.2. Visuelle Odometrie
6.10.3. Sensorische Fusion

Modul 7. Visuelle Wahrnehmungssysteme für Roboter mit maschinellem Lernen

7.1. Unüberwachte Lernmethoden angewandt auf Computer Vision

7.1.1. Clustering
7.1.2. PCA
7.1.3. Nearest Neighbors
7.1.4. Similarity and Matrix Decomposition

7.2. Methoden des überwachten Lernens, angewandt auf Computer Vision

7.2.1. "Bag of Words"-Konzept
7.2.2. Support-Vektor-Maschine
7.2.3. Latent Dirichlet Allocation
7.2.4. Neuronale Netze

7.3. Tiefe neuronale Netze: Strukturen, Backbones und Transfer Learning

7.3.1. Feature-Erzeugungsschichten    

7.3.3.1. VGG
7.3.3.2. Densenet
7.3.3.3. ResNet
7.3.3.4. Inception
7.3.3.5. GoogLeNet

7.3.2. Transfer Learning
7.3.3. Die Daten. Vorbereitung für das Training

7.4. Computer Vision mit Deep Learning I: Erkennung und Segmentierung

7.4.1. Unterschiede und Gemeinsamkeiten zwischen YOLO und SSD
7.4.2. Unet
7.4.3. Andere Strukturen

7.5. Computer Vision mit Deep Learning II: Generative Adversarial Networks

7.5.1. Bild-Superauflösung mit GAN
7.5.2. Realistische Bilder erstellen
7.5.3. Scene Understanding

7.6. Lerntechniken für Lokalisierung und Kartierung in der mobilen Robotik

7.6.1. Erkennung von Schleifenschlüssen und Re-Lokalisierung
7.6.2. Magic Leap. Super Point und Super Glue
7.6.3. Depth from Monocular

7.7. Bayessche Inferenz und 3D-Modellierung

7.7.1. Bayessche Modelle und „klassisches" Lernen
7.7.2. Implizite Oberflächen mit Gaußschen Prozessen (GPIS)
7.7.3. 3D-Segmentierung mit GPIS
7.7.4. Neuronale Netzwerke für die 3D-Oberflächenmodellierung

7.8. End-to-End-Anwendungen von tiefen neuronalen Netzwerken

7.8.1. End-to-End-System. Beispiel für die Identifizierung von Personen
7.8.2. Objektmanipulation mit visuellen Sensoren
7.8.3. Bewegungserzeugung und -planung mit visuellen Sensoren

7.9. Cloud-Technologien zur Beschleunigung der Entwicklung von Deep Learning-Algorithmen

7.9.1. Verwendung von GPUs für Deep Learning
7.9.2. Agile Entwicklung mit Google IColab
7.9.3. Ferngesteuerte GPUs, Google Cloud und AWS

7.10. Einsatz von Neuronalen Netzwerken in realen Anwendungen

7.10.1. Eingebettete Systeme
7.10.2. Einsatz von neuronalen Netzwerken. Nutzung
7.10.3. Netzwerkoptimierungen beim Einsatz, Beispiel mit TensorRT

Modul 8. Visuelle SLAM. Simultane Positionsbestimmung und Kartierung von Robotern mit Hilfe von Computer Vision Techniken

8.1. Simultane Positionsbestimmung und Kartierung (SLAM)

8.1.1. Simultane Positionsbestimmung und Kartierung. SLAM
8.1.2. SLAM-Anwendungen
8.1.3. Funktionsweise von SLAM

8.2. Projektive Geometrie

8.2.1. Pin-Hole-Modell
8.2.2. Schätzung der intrinsischen Kammerparameter
8.2.3. Homographie, Grundprinzipien und Schätzung
8.2.4. Grundlegende Matrix, Prinzipien und Schätzung

8.3. Gaußsche Filter

8.3.1. Kalman-Filter
8.3.2. Informationsfilter
8.3.3. Abstimmung und Parametrisierung des Gauß-Filters

8.4. Stereo EKF-SLAM

8.4.1. Geometrie der Stereokamera
8.4.2. Merkmalsextraktion und Suche
8.4.3. Kalman-Filter für Stereo-SLAM
8.4.4. Stereo EKF-SLAM Parameterabstimmung

8.5. Monokulares EKF-SLAM

8.5.1. Parametrisierung von Landmarks in EKF-SLAM
8.5.2. Kalman-Filter für monokulares SLAM
8.5.3. Monokulare EKF-SLAM Parameterabstimmung

8.6. Erkennung von Schleifenverschlüssen

8.6.1. Brute-Force-Algorithmus
8.6.2. FABMAP
8.6.3. Abstraktion mit GIST und HOG
8.6.4. Deep Learning Erkennung

8.7. Graph-SLAM

8.7.1. Graph-SLAM
8.7.2. RGBD-SLAM
8.7.3. ORB-SLAM

8.8. Direct Visual SLAM

8.8.1. Analyse des Direct Visual SLAM Algorithmus
8.8.2. LSD-SLAM
8.8.3. SVO

8.9. Visual Inertial SLAM

8.9.1. Integration von Inertialmessungen
8.9.2. Geringe Kopplung: SOFT-SLAM
8.9.3. Hohe Kopplung: Vins-Mono

8.10. Andere SLAM-Technologien

8.10.1. Anwendungen jenseits des visuellen SLAM
8.10.2. Lidar-SLAM
8.10.2. Range-Only SLAM

Modul 9. Anwendung von Technologien der virtuellen und erweiterten Realität au die Robotik

9.1. Immersive Technologien in der Robotik

9.1.1. Virtuelle Realität in der Robotik
9.1.2. Erweiterte Realität in der Robotik
9.1.3. Gemischte Realität in der Robotik
9.1.4. Unterschied zwischen Realitäten

9.2. Konstruktion von virtuellen Umgebungen

9.2.1. Materialien und Texturen
9.2.2. Beleuchtung
9.2.3. Virtueller Klang und Geruch

9.3. Robotermodellierung in virtuellen Umgebungen

9.3.1. Geometrische Modellierung
9.3.2. Physikalische Modellierung
9.3.3. Standardisierung von Modellen

9.4. Modellierung der Roboterdynamik und -kinematik: Virtuelle Physik-Engines

9.4.1. Physik-Engines. Typologie
9.4.2. Konfiguration einer Physik-Engine
9.4.3. Physik-Engines in der Industrie

9.5. Die in der virtuellen Realität am häufigsten verwendeten Plattformen, Peripheriegeräte und Tools

9.5.1. Virtual Reality-Betrachter
9.5.2. Peripheriegeräte für die Interaktion
9.5.3. Virtuelle Sensoren

9.6. Erweiterte Realitätssysteme

9.6.1. Einfügen von virtuellen Elementen in die Realität
9.6.2. Arten von visuellen Markern
9.6.3. Technologien der erweiterten Realität

9.7. Metaversum: virtuelle Umgebungen mit intelligenten Agenten und Menschen

9.7.1. Avatar-Erstellung
9.7.2. Intelligente Agenten in virtuellen Umgebungen
9.7.3. Aufbau von VR/AR-Umgebungen für mehrere Benutzer

9.8. Erstellung von Virtual Reality-Projekten für die Robotik

9.8.1. Entwicklungsphasen von Virtual Reality-Projekten
9.8.2. Einsatz von Virtual Reality-Systemen
9.8.3. Ressourcen für die Virtual Reality

9.9. Erstellung von Augmented Reality Projekten für die Robotik

9.9.1. Entwicklungsphasen von Augmented Reality-Projekten
9.9.2. Einsatz von Augmented Reality-Projekten
9.9.3. Augmented Reality-Ressourcen

9.10. Roboter-Teleoperation mit mobilen Geräten

9.10.1. Mobile Mixed Reality
9.10.2. Immersive Systeme mit Sensoren für mobile Geräte
9.10.3. Beispiele für mobile Projekte

Modul 10. Roboterkommunikation und Interaktionssysteme

10.1. Spracherkennung: stochastische Systeme

10.1.1. Akustische Modellierung von Sprache
10.1.2. Verdecktes Markowmodell
10.1.3. Linguistische Modellierung von Sprache: N-Grammatiken, BNF-Grammatiken

10.2. Spracherkennung: Deep Learning

10.2.1. Tiefe neuronale Netze
10.2.2. Rekurrente neuronale Netze
10.2.3. LSTM-Zellen

10.3. Spracherkennung: Prosodie und Umgebungseffekte

10.3.1. Umgebungsgeräusche
10.3.2. Erkennung mehrerer Partner
10.3.3. Sprachpathologien

10.4. Verstehen natürlicher Sprache: Heuristische und probabilistische Systeme

10.4.1. Syntaktisch-semantisches Parsing: linguistische Regeln
10.4.2. Heuristisches regelbasiertes Verstehen
10.4.3. Probabilistische Systeme: logistische Regression und SVMs
10.4.4. Verstehen auf der Grundlage von neuronalen Netzen

10.5. Dialogmanagement: Heuristische/probabilistische Strategien

10.5.1. Absicht des Gesprächspartners
10.5.2. Vorlagenbasierter Dialog
10.5.3. Stochastisches Dialogmanagement: Bayessches Netz

10.6. Dialogmanagement: Fortgeschrittene Strategien

10.6.1. Verstärkungsbasierte Lernsysteme
10.6.2. Auf neuronalen Netzen basierende Systeme
10.6.3. Von der Sprache zur Absicht in einem einzigen Netz

10.7. Antwortgenerierung und Sprachsynthese

10.7.1. Eine Antwort verfassen: von der Idee zum kohärenten Text
10.7.2. Sprachsynthese durch Verkettung
10.7.3. Stochastische Sprachsynthese

10.8. Dialoganpassung und Kontextualisierung

10.8.1. Dialogische Initiative
10.8.2. Anpassung an den Sprecher
10.8.3. Anpassung an den Kontext des Dialogs

10.9. Roboter und soziale Interaktionen: Erkennung, Synthese und Ausdruck von Emotionen

10.9.1. Paradigmen der künstlichen Stimme: Roboterstimme und natürliche Stimme
10.9.2. Emotionserkennung und Stimmungsanalyse
10.9.3. Emotionale Sprachsynthese

10.10. Roboter und soziale Interaktionen: Fortgeschrittene multimodale Schnittstellen

10.10.1. Kombination von Sprach- und Berührungsschnittstellen
10.10.2. Erkennung und Übersetzung von Gebärdensprache
10.10.3. Visuelle Avatare: Übersetzung von Sprache in Gebärdensprache

Machen Sie sich vom ersten Tag an mit den Inhalten dieses privaten Masterstudiengangs vertraut und steigen Sie so schnell wie möglich in einen Technologiebereich mit vielfältigen Karrieremöglichkeiten ein”