Die Industrie 4.0 erwartet Sie. Schreiben Sie sich jetzt ein und entwickeln Sie Ihren Roboter mit den neuesten Technologien der Branche”

Die Industrie 4.0 erlebt derzeit ihre Blütezeit, und die Robotik und der Bereich des maschinellen Sehens eröffnen den Fachkräften dieser Sektoren, darunter auch den Informatikern, sehr attraktive Berufsfelder für die Zukunft.

Dieser Universitätsexperte richtet sich an Studenten, die sich auf dem Gebiet der Roboternavigationssysteme spezialisieren möchten. Zu diesem Zweck hat ein Team von Fachleuten einen Lehrplan ausgearbeitet, der den Studenten das gesamte Wissen in diesem Bereich vermittelt, so dass sie am Ende des sechsmonatigen Kurses in der Lage sind, die wichtigsten Techniken und Werkzeuge zu beherrschen, die derzeit in der Entwicklung der Robotik eingesetzt werden.

Der im Online-Modus angebotene Kurs behandelt die in der Robotik verwendeten Bildverarbeitungstechniken, die Entwicklung und das Verständnis von Algorithmen, die Verbesserung von Bildverarbeitungs- und Analysetechniken sowie visuelles SLAM, Roboterlokalisierung und simultanes Mapping unter Verwendung der neuesten angewandten Techniken des maschinellen Sehens.

IT-Fachkräfte, die sich in diesem Bereich weiterbilden möchten, haben eine ausgezeichnete Möglichkeit, ihre Ziele auf bequeme und flexible Weise zu erreichen, da diese Qualifikation den Zugang zu allen Inhalten des Lehrplans ohne festen Zeitplan ermöglicht. Auf diese Weise können sie das Studienpensum der Module, aus denen sich dieser Studiengang zusammensetzt, nach ihren Bedürfnissen aufteilen. So können die Studenten ihre persönlichen Verpflichtungen mit einem qualitativ hochwertigen Studium verbinden.

Regale in einem Lager einräumen, ein selbstfahrendes Auto einparken oder ein Paket mit einer Drohne in unbekannter Umgebung ausliefern - alles mit Slam Visual und diesem Universitätsexperten. Einfach anklicken und sich einschreiben″

Dieser Universitätsexperte in Roboter-Navigationssysteme 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

Sie sind nur einen Schritt von einer Spezialisierung entfernt, die Sie weiterbringen wird. Greifen Sie auf das gesamte Wissen der Robotik zu, zusammen mit Fachleuten aus der Industrie″

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

Schreiben Sie sich jetzt ein und verpassen Sie nicht die Gelegenheit, alternative Trajektorien für mobile Roboter zu erstellen"

Beherrschen Sie 3D-Vision-Systeme und starten Sie Ihr nächstes Projekt mit diesem Universitätsexperten"

Der Lehrplan dieses Universitätsexperten ist in vier Module unterteilt, in denen das Dozententeam die Relearning-Methode anwendet, die ein progressives und natürliches Lernen während des gesamten Programms ermöglicht. Dies wird durch die Wiederholung von Schlüsselkonzepten im Bereich der Robotik erreicht, die den Studenten eine effizientere und schnellere Aufnahme der Konzepte ermöglicht. Auf diese Weise erreichen die Studenten ein hohes Maß an Spezialisierung in den 600 Unterrichtsstunden, die für diesen Kurs vorgesehen sind.

Lösen Sie die wichtigsten Probleme bei der Lokalisierung von Robotern mit einem Dozententeam, das in diesem Bereich spezialisiert ist″

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. Algorithmen zur Roboterplanung

2.1. Klassische Algorithmen zur Planung

2.1.1. Diskrete Planung: Zustandsraum
2.1.2. Planungsprobleme in der Robotik. Modelle für Robotersysteme
2.1.3. Klassifizierung von Planern

2.2. Das Problem der Trajektorienplanung bei mobilen Robotern

2.2.1. Formen der Umgebungsdarstellung: Graphen
2.2.2. Algorithmen zur Graphensuche
2.2.3. Eingabe von Kosten in Netzwerke
2.2.4. Suchalgorithmen in schweren Graphen
2.2.5. Algorithmen mit beliebigem Winkelansatz

2.3. Planung in hochdimensionalen Robotersystemen

2.3.1. Hochdimensionale Robotik-Probleme: Manipulatoren
2.3.2. Direktes/inverses kinematisches Modell
2.3.3. Sampling-Planungsalgorithmen PRM und RRT
2.3.4. Planung unter dynamischen Beschränkungen

2.4. Optimale Stichprobenplanung

2.4.1. Probleme der stichprobenbasierten Planer
2.4.2. RRT* probabilistisches Optimalitätskonzept
2.4.3. Wiederverbindungsschritt: dynamische Beschränkungen
2.4.4. CForest. Parallelisierung der Planung

2.5. Tatsächliche Implementierung eines Bewegungsplanungssystems

2.5.1. Globales Planungsproblem. Dynamische Umgebungen
2.5.2. Aktionskreislauf, Sensorisierung. Beschaffung von Informationen aus der Umgebung
2.5.3. Lokale und globale Planung

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

2.6.1. Problem der Multi-Roboter-Koordination
2.6.2. Kollisionserkennung und -auflösung: Trajektorienmodifikation mit Genetischen Algorithmen
2.6.3. Andere bio-inspirierte Algorithmen: Partikelschwärmen und Feuerwerk
2.6.4. Algorithmus zur Kollisionsvermeidung durch Wahl des Manövers

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

2.7.1. Verwendung von komplexen Zielfunktionen
2.7.2. Pareto-Front
2.7.3. Multi-Objektive evolutionäre Algorithmen

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

2.8.1. Planungssysteme der Ordnung 1
2.8.2. ORCA-Algorithmus
2.8.3. Hinzufügen von kinematischen und dynamischen Einschränkungen in ORCA

2.9. Theorie der Entscheidungsplanung

2.9.1. Entscheidungstheorie
2.9.2. Sequentielle Entscheidungssysteme
2.9.3. Sensoren und Informationsräume
2.9.4. Planung der Unsicherheit von Sensoren und Aktoren

2.10. Planungssysteme mit Verstärkungslernen

2.10.1. Ermittlung der erwarteten Belohnung eines Systems
2.10.2. Techniken des Lernens mit mittlerer Belohnung
2.10.3. Inverses Verstärkungslernen

Modul 3. Maschinelle Bildverarbeitungstechniken in der Robotik: Bildverarbeitung und -analyse

3.1. Computer Vision

3.1.1. Computer Vision
3.1.2. Elemente eines Computer Vision Systems
3.1.3. Mathematische Werkzeuge

3.2. Optische Sensoren für die Robotik

3.2.1. Passive optische Sensoren
3.2.2. Aktive optische Sensoren
3.2.3. Nichtoptische Sensoren

3.3. Bildakquisition

3.3.1. Bilddarstellung
3.3.2. Farbraum
3.3.3. Digitalisierungsprozess

3.4. Bildgeometrie

3.4.1. Linsenmodelle
3.4.2. Kamera-Modelle
3.4.3. Kalibrierung der Kamera

3.5. Mathematische Werkzeuge

3.5.1. Histogramm eines Bildes
3.5.2. Convolution
3.5.3. Fourier-Transformation

3.6. Vorverarbeitung von Bildern

3.6.1. Rauschanalyse
3.6.2. Bildglättung
3.6.3. Bildverbesserung

3.7. Bildsegmentierung

3.7.1. Kontur-basierte Techniken
3.7.3. Histogramm-basierte Techniken
3.7.4. Morphologische Operationen

3.8. Erkennung von Bildmerkmalen

3.8.1. Erkennung von Points of Interest
3.8.2. Merkmal-Deskriptoren
3.8.3. Merkmalsabgleich

3.9. 3D-Vision-Systeme

3.9.1. 3D-Wahrnehmung
3.9.2. Merkmalsabgleich zwischen Bildern
3.9.3. Geometrie mit mehreren Ansichten

3.10. Computer Vision basierte Lokalisierung

3.10.1. Das Problem der Roboterlokalisierung
3.10.2. Visuelle Odometrie
3.10.3. Sensorische Fusion

Modul 4. Visuelle SLAM. Simultane Positionsbestimmung und Kartierung von Robotern mit Hilfe von Computer Vision Techniken

4.1. Simultane Positionsbestimmung und Kartierung (SLAM)

4.1.1. Simultane Positionsbestimmung und Kartierung. SLAM
4.1.2. SLAM-Anwendungen
4.1.3. Funktionsweise von SLAM

4.2. Projektive Geometrie

4.2.1. Pin-Hole-Modell
4.2.2. Schätzung der intrinsischen Kammerparameter
4.2.3. Homographie, Grundprinzipien und Schätzung
4.2.4. Grundlegende Matrix, Prinzipien und Schätzung

4.3. Gaußsche Filter

4.3.1. Kalman-Filter
4.3.2. Informationsfilter
4.3.3. Abstimmung und Parametrisierung des Gauß-Filters

4.4. Stereo EKF-SLAM

4.4.1. Geometrie der Stereokamera
4.4.2. Merkmalsextraktion und Suche
4.4.3. Kalman-Filter für Stereo-SLAM
4.4.4. Stereo EKF-SLAM Parameterabstimmung

4.5. Monokulares EKF-SLAM

4.5.1. Parametrisierung von Landmarks in EKF-SLAM
4.5.2. Kalman-Filter für monokulares SLAM
4.5.3. Monokulare EKF-SLAM Parameterabstimmung

4.6. Erkennung von Schleifenverschlüssen

4.6.1. Brute-Force-Algorithmus
4.6.2. FABMAP
4.6.3. Abstraktion mit GIST und HOG
4.6.4. Deep Learning Erkennung

4.7. Graph-SLAM

4.7.1. Graph-SLAM
4.7.2. RGBD-SLAM
4.7.3. ORB-SLAM

4.8. Direct Visual SLAM

4.8.1. Analyse des Direct Visual SLAM Algorithmus
4.8.2. LSD-SLAM
4.8.3. SVO

4.9. Visual Inertial SLAM

4.9.1. Integration von Inertialmessungen
4.9.2. Geringe Kopplung: SOFT-SLAM
4.9.3. Hohe Kopplung: Vins-Mono

4.10. Andere SLAM-Technologien

4.10.1. Anwendungen jenseits des visuellen SLAM
4.10.2. Lidar-SLAM
4.10.2. Range-Only SLAM

Entdecken Sie mit diesem Universitätsexperten technologische Anwendungen in der Robotik, die über visuelles SLAM hinausgehen″