Vous avez un projet en tête et manquez de spécialisation? Dans ce programme, une équipe d'experts en Robotique vous donnera les outils nécessaires pour progresser dans l'industrie 4.0"

La Robotique fait partie de notre vie quotidienne. Les machines ne sont pas seulement présentes dans le secteur industriel, qui s'est énormément développé grâce aux progrès techniques et scientifiques, car la Robotique s'est également rapprochée du public. Il n'est plus rare de voir qu'une personne ayant un certain niveau d'éducation fait fonctionner un drone, possède des lunettes virtuelles avec lesquelles elle peut s'immerger dans le dernier jeu vidéo, ou des maisons dotées de cette technologie qui résout toutes sortes de problèmes. 

La Robotique est un terme courant, actuel et plein d'avenir pour les professionnels de l'informatique qui souhaitent se spécialiser dans un domaine à fort potentiel de croissance. Ce Mastère spécialisé fournit des connaissances approfondies qui permettront aux étudiants d'acquérir des connaissances dans les domaines de la Réalité Augmentée, de l'Intelligence Artificielle, des Technologies Aérospatiales ou Industrielles. Tout cela leur permettra d'accéder à des entreprises de différents secteurs ou de créer leurs propres projets de robotique. 

Afin de permettre aux étudiants d'atteindre leur objectif, TECH a réuni dans ce programme 100% en ligne une équipe de professionnels spécialisés, ayant une grande expérience dans des projets internationaux prestigieux dans le domaine de la Robotique. Ce profil d'enseignement offre aux professionnels de l'informatique une approche théorique et pratique, où ils pourront non seulement apprendre les derniers développements en matière de Robotique, mais aussi se familiariser avec son application dans des environnements réels. 

Une excellente occasion de progresser avec une qualification qui fournit dès le premier instant tout un contenu composé de résumés vidéo, de lectures essentielles, de vidéos détaillées et d'exercices d'autocontrôle. De cette façon, les étudiants acquerront une vision globale de la Robotique d'une manière pratique puisqu'ils pourront accéder à tous les contenus quand ils le souhaitent et répartir la charge d'enseignement en fonction de leurs besoins. De cette façon, ils pourront combiner l'apprentissage à l'avant-garde académique avec leurs responsabilités personnelles.

Connectez-vous quand vous le souhaitez et à tout moment à l'ensemble du contenu de ce diplôme universitaire. TECH s'adapte à vous"

 

Ce Mastère spécialisé en Robotique contient le programme académique le plus complet et le plus actuel du marché. Les principales caractéristiques sont les suivantes:  

• Le développement d'études de cas présentées par des experts en Ingénierie Robotique
• Son contenu graphique, schématique et éminemment pratique est destiné à fournir des informations scientifiques et sanitaires sur les disciplines médicales indispensables à la pratique professionnelle
• Les exercices pratiques d’auto-évaluation pour améliorer l’apprentissage
• Les méthodologies innovantes
• Des cours théoriques, des questions à l'expert, des forums de discussion sur des sujets controversés et un travail de réflexion individuel
• La possibilité d'accéder aux contenus depuis tout appareil fixe ou portable doté d'une simple connexion à internet

Inscrivez-vous dès maintenant et ne manquez pas l'occasion de progresser dans les principales technologies du SLAM visuel" 

Le programme comprend un corps enseignant, formé de professionnels du domaine, qui apportent à cette formation l'expérience de leur travail, ainsi que des spécialistes reconnus de grandes sociétés et d'universités prestigieuses.

Grâce à son contenu multimédia développé avec les dernières technologies éducatives, les spécialistes bénéficieront d’un apprentissage situé et contextuel. Ainsi, ils se formeront dans un environnement simulé qui leur permettra d’apprendre en immersion et de s’entrainer dans des situations réelles.

La conception de ce programme est basée sur l'Apprentissage par les Problèmes, grâce auquel le professionnel devra essayer de résoudre les différentes situations de pratique professionnelle qui se présentent tout au long de la formation. Pour ce faire, il sera assisté d'un système vidéo interactif innovant créé par des experts reconnus.

Développez des techniques de programmation d'automates propres et efficaces avec ce diplôme universitaire"

Maîtrisez la robotique la plus avancée grâce à l'apport de ce diplôme sur les agents matériels et logiciels"

Dans ce programme, enseigné en mode en ligne, les étudiants ont accès à un contenu étendu dans le domaine de la Robotique, structuré en 10 modules accessibles à tout moment. La vision théorique et pratique du programme peut être acquise plus rapidement grâce aux ressources multimédia et au système Relearning, basé sur la répétition des contenus. De cette façon, le professionnel de l'informatique aura toutes les connaissances nécessaires à portée de main pour progresser dans ce domaine. 

Inscrivez-vous dès maintenant à un diplôme qui vous offrira les derniers développements en matière de Robotique et d'Industrie 4.0" 

Module 1. Robotique Conception et modélisation de robots

1.1. Robotique dans l’Industrie 4.0

1.1.1. Robotique dans l’Industrie 4.0
1.1.2. Champs d’application et cas d’utilisation
1.1.3. Sous-domaines de spécialisation en robotique

1.2. Architectures hardware y software de robots

1.2.1. Architectures hardware et temps réel
1.2.2. Architectures hardware de robots
1.2.3. Modèles de communication et technologies Middleware
1.2.4. Intégration deSoftware avec le Robot Operating System (ROS)

1.3. Modélisation mathématique des robots

1.3.1. Représentation mathématique des solides rigides
1.3.2. Rotations et translations
1.3.3. Représentation hiérarchique de l’état
1.3.4. Représentation d’état distribuée en ROS (TF Library)

1.4. Cinématique et dynamique des robots

1.4.1. Cinématique
1.4.2. Dynamique
1.4.3. Robots sous-actionnés
1.4.4. Robots redondants

1.5. Modélisation et simulation de robots

1.5.1. Technologies de modélisation des robots
1.5.2. Modélisation de robots avec URDF
1.5.3. Simulation de robots
1.5.4. Modélisation avec le simulateur Gazebo

1.6. Robots manipulateurs

1.6.1. Types de robots manipulateurs
1.6.2. Cinématique
1.6.3. Dynamique
1.6.4. Simulation

1.7. Robots mobiles terrestres

1.7.1. Types de robots mobiles terrestres
1.7.2. Cinématique
1.7.3. Dynamique
1.7.4. Simulation

1.8. Robots mobiles aériens

1.8.1. Types de robots mobiles aériens
1.8.2. Cinématique
1.8.3. Dynamique
1.8.4. Simulation

1.9. Robots mobiles aquatiques

1.9.1. Types de robots mobiles aquatiques
1.9.2. Cinématique
1.9.3. Dynamique
1.9.4. Simulation

1.10. Robots bio-inspirés

1.10.1. Humanoïdes
1.10.2. Robots à quatre pattes ou plus
1.10.3. Robots modulaires
1.10.4. Robots à parties flexibles (Soft-Robotics)

Module 2. Agents intelligents. Application de l’Intelligence Artificielle aux robots et Softbots

2.1. Les agents Intelligence et Intelligence Artificielle

2.1.1. Robots Intelligents Intelligence artificielle
2.1.2. Agents intelligents

2.1.2.1. Agents hardware Robots
2.1.2.2. Agents software Softbots

2.1.3. Applications à la Robotique

2.2. Connexion cerveau-algorithme

2.2.1. Inspiration biologique de l’Intelligence Artificielle
2.2.2. Raisonnement implémenté dans les algorithmes Typologie
2.2.3. Explicabilité des résultats dans les algorithmes d’Intelligence Artificielle
2.2.4. Évolution des algorithmes jusqu’au Deep Learning

2.3. Algorithmes de recherche dans l’espace des solutions

2.3.1. Éléments de la recherche dans l’espace des solutions
2.3.2. Algorithmes de recherche dans l’espace des solutions pour les problèmes d’Intelligence Artificielle
2.3.3. Applications des algorithmes de recherche et d’optimisation
2.3.4. Algorithmes de recherche appliqués à l’apprentissage automatique

2.4. Apprentissage automatique

2.4.1. Apprentissage automatique
2.4.2. Algorithmes d’Apprentissage Supervisé
2.4.3. Algorithmes d’Apprentissage Non Supervisé
2.4.4. Algorithmes d’Apprentissage par Renforcement

2.5. Apprentissage Supervisé

2.5.1. Méthodes d’Apprentissage Supervisé
2.5.2. Arbres de décision pour la classification
2.5.3. Machines à vecteurs de support
2.5.4. Réseaux neuronaux artificiels
2.5.5. Applications de l’apprentissage supervisé

2.6. Apprentissage non supervisé

2.6.1. Apprentissage non supervisé
2.6.2. Réseaux de Kohonen
2.6.3. Cartes auto-organisatrices
2.6.4. Algorithme K-means

2.7. Apprentissage par renforcement

2.7.1. Apprentissage par renforcement
2.7.2. Agents basés sur des processus de Markov
2.7.3. Algorithmes d’Apprentissage par Renforcement
2.7.4. Apprentissage par renforcement appliqué à la robotique

2.8. Réseaux Neuronaux Artificielle et Deep Learning

2.8.1. Réseaux neuronaux artificiels. Typologie
2.8.2. Applications des réseaux neuronaux
2.8.3. Transformation de Machine Learning en Deep Learning
2.8.4. Applications de Deep Learning

2.9. Inférence probabiliste

2.9.1. Inférence probabiliste
2.9.2. Types d’inférence et définition de la méthode
2.9.3. L’inférence bayésienne comme étude de cas
2.9.4. Techniques d’inférence non paramétrique
2.9.5. Filtres Gaussiens

2.10. De la théorie à la pratique: développement d’un agent intelligent robotique

2.10.1. Inclusion de modules d’apprentissage supervisé dans un agent robotique
2.10.2. Inclusion de modules d’apprentissage par renforcement dans un agent robotique
2.10.3. Architecture d’un agent robotique contrôlé par l’IA
2.10.4. Outils professionnels pour la mise en œuvre d’agents intelligents
2.10.5. Phases de la mise en œuvre des algorithmes d’IA dans les agents robotiques

Module 3. La Robotique dans l’automatisation des processus industriels

3.1. Conception de systèmes automatisés

3.1.1. Architectures hardware
3.1.2. Contrôleurs logiques programmables
3.1.3. Réseaux de communication industriels

3.2. Conception électrique avancée I: automatisation

3.2.1. Conception de tableaux électriques et symbologie
3.2.2. Circuits de puissance et de contrôle Harmoniques
3.2.3. Éléments de protection et de mise à la terre

3.3. Conception électrique avancée II: déterminisme et sécurité

3.3.1. Sécurité des machines et redondance
3.3.2. Relais et déclencheurs de sécurité
3.3.3. PLC de sécurité
3.3.4. Réseaux sécurisés

3.4. Performances électriques

3.4.1. Moteurs et servomoteurs
3.4.2. Convertisseurs de fréquence et régulateurs
3.4.3. Robotique industrielle à commande électrique

3.5. Actionnement hydraulique et pneumatique

3.5.1. Conception hydraulique et symbologie
3.5.2. Conception pneumatique et symbologie
3.5.3. Environnements ATEX dans l’automatisation

3.6. Transducteurs en robotique et automatisation

3.6.1. Mesure de la position et la vitesse
3.6.2. Mesure de la force et la température
3.6.3. Mesure de la présence
3.6.4. Capteurs de vision

3.7. Programmation et configuration des contrôleurs logiques programmables (PLC)

3.7.1. Programmation PLC: LD
3.7.2. Programmation PLC: ST
3.7.3. Programmation PLC: FBD et CFC
3.7.4. Programmation PLC: SFC

3.8. Programmation et configuration des équipements dans les installations industrielles

3.8.1. Programmation des entraînements et des contrôleurs
3.8.2. Programmation des IHM
3.8.3. Programmation des robots manipulateurs

3.9. Programmation et configuration d’équipements informatiques industriels

3.9.1. Programmation de systèmes de vision
3.9.2. Programmation de SCADA/software
3.9.3. Configuration du réseau

3.10. Implémentation des automatismes

3.10.1. Conception d’une machine à états
3.10.2. Implémentation de la machine à états PLC
3.10.3. Implementación de de systèmes de contrôle analogiques PID en PLC
3.10.4. Maintenance de l’automatisation et de l’hygiène des codes
3.10.5. Simulation d’automatismes et d’installations

Module 4. Systèmes de contrôle automatique en Robotique

4.1. Analyse et conception de systèmes non linéaires

4.1.1. Analyse et modelage de systèmes non linéaires
4.1.2. Contrôle par rétroaction
4.1.3. Linéarisation par rétroaction

4.2. Conception de techniques de contrôle pour les systèmes non linéaires avancés

4.2.1. Commande par mode glissant (Sliding Mode control)
4.2.2. Contrôle basé sur Lyapunov et Backstepping
4.2.3. Contrôle basé sur la passivité

4.3. Architectures de contrôle

4.3.1. Le paradigme de la robotique
4.3.2. Architectures de contrôle
4.3.3. Applications et exemples d’architectures de contrôle

4.4. Contrôle de mouvement pour les bras robotiques

4.4.1. Modélisation cinématique et dynamique
4.4.2. Contrôle dans l’espace articulaire
4.4.3. Contrôle dans l’espace opérationnel

4.5. Contrôle de la force sur les actionneurs

4.5.1. Contrôle de la force
4.5.2. Contrôle de l’impédance
4.5.3. Contrôle hybride

4.6. Robots mobiles terrestres

4.6.1. Équations de mouvement
4.6.2. Techniques de commande pour les robots terrestres
4.6.3. Manipulateurs mobiles

4.7. Robots mobiles aériens

4.7.1. Équations de mouvement
4.7.2. Techniques de commande pour les robots aériens
4.7.3. Manipulation aérienne

4.8. Contrôle basé sur des techniques d’apprentissage automatique

4.8.1. Contrôle par Apprentissage Supervisé
4.8.2. Contrôle par Apprentissage Renforcé
4.8.3. Contrôle par Apprentissage Non Supervisé

4.9. Contrôle basé sur la vision

4.9.1. Visual Servoing basé sur la position
4.9.2. Visual Servoing basé sur l’image
4.9.3. Visual Servoing hybride

4.10. Contrôle prédictif

4.10.1. Modélisation et estimation de l’état
4.10.2. MPC appliquée aux robots mobiles
4.10.3. MPC appliqué aux UAV

Module 5. Algorithmes de planification de robots

5.1. Algorithmes de planification Classique

5.1.1. Planification discrète: espace des états
5.1.2. Problèmes de planification en robotique Modèles de systèmes robotiques
5.1.3. Classification des planificateurs

5.2. Le problème de la planification de la trajectoire des robots mobiles

5.2.1. Modes de représentation de l’environnement: les graphes
5.2.2. Algorithmes de recherche dans les graphes
5.2.3. Introduction des coûts dans les graphes
5.2.4. Algorithmes de recherche de réseaux lourds
5.2.5. Algorithmes avec une approche sous tous les angles

5.3. Planification dans les systèmes robotiques de haute dimension

5.3.1. Problèmes de robotique à haute dimension: Manipulateurs
5.3.2. Modèle cinématique direct/inverse
5.3.3. Algorithmes de planification de l’échantillonnage PRM et RRT
5.3.4. Planification sous contraintes dynamiques

5.4. Planification optimale de l’échantillonnage

5.4.1. Problèmes des planificateurs basés sur l’échantillonnage
5.4.2. RRT Concept d’optimalité probabiliste
5.4.3. Étape de reconnexion: contraintes dynamiques
5.4.4. CForest Parallélisation de la planification

5.5. Implémentation réelle d’un système de planification des mouvements

5.5.1. Problème de planification globale Environnements dynamiques
5.5.2. Cycle d’action, sensorisation Acquisition d’informations à partir de l’environnement
5.5.3. Planification locale et globale

5.6. Coordination des systèmes multi-robots I: système centralisé

5.6.1. Problème de coordination multi-robots
5.6.2. Détection et résolution des collisions: modification de la trajectoire à l’aide d’algorithmes génétiques
5.6.3. Autres algorithmes bio-inspirés: essaimage de particules et feux d’artifice
5.6.4. Algorithme d’évitement des collisions par choix de manœuvre

5.7. Coordination dans les systèmes multi-robots II: approches distribuées I

5.7.1. Utilisation de fonctions objectifs complexes
5.7.2. Front de Pareto
5.7.3. Algorithmes évolutionnaires multi-objectifs

5.8. Coordination dans les systèmes multi-robots III: approches distribuées II

5.8.1. Systèmes de planification de l’ordre 1
5.8.2. Algorithme ORCA
5.8.3. Ajout de contraintes cinématiques et dynamiques dans ORCA

5.9. Théorie de la planification des décisions

5.9.1. Théorie de la décision
5.9.2. Systèmes de décision séquentielle
5.9.3. Capteurs et espaces d’information
5.9.4. Planification de l’incertitude dans la détection et l’actionnement

5.10. Systèmes de planification d’apprentissage par renforcement

5.10.1. Obtention de la récompense attendue d’un système
5.10.2. Techniques d’apprentissage par récompense modérée
5.10.3. Apprentissage par renforcement inverse

Module 6. Techniques de Vision Artificielle en Robotique: Traitement et analyse d’images

6.1. Vision par ordinateur

6.1.1. Vision par ordinateur
6.1.2. Éléments d’un système de vision par ordinateur
6.1.3. Outils mathématiques

6.2. Capteurs optiques pour la robotique

6.2.1. Capteurs optiques passifs
6.2.2. Capteurs optiques actifs
6.2.3. Capteurs non optiques

6.3. Acquisition d’images

6.3.1. Représentation de l’image
6.3.2. Espace de couleurs
6.3.3. Processus de numérisation

6.4. Géométrie de l’image

6.4.1. Modèles d’objectifs
6.4.2. Modèles de caméra
6.4.3. Étalonnage de la caméra

6.5. Outils mathématiques

6.5.1. Histogramme d’une image
6.5.2. Convolution
6.5.3. Transformée de Fourier

6.6. Prétraitement des images

6.6.1. Analyse du bruit
6.6.2. Lissage de l’image
6.6.3. Amélioration de l’image

6.7. Segmentation des images

6.7.1. Techniques basées sur les contours
6.7.3. Techniques basées sur l’ histogramme
6.7.4. Opérations morphologiques

6.8. Détection des caractéristiques de l’image

6.8.1. Détection des points d’intérêt
6.8.2. Descripteurs de caractéristiques
6.8.3. Correspondances entre les caractéristiques

6.9. Systèmes de vision 3D

6.9.1. Perception 3D
6.9.2. Correspondance des caractéristiques entre les images
6.9.3. Géométrie à vues multiples

6.10. Localisation basée sur la vision par ordinateur

6.10.1. Le problème de la localisation des robots
6.10.2. Odométrie visuelle
6.10.3. Fusion sensorielle

Module 7. Systèmes de Perception Visuelle des Robots avec Apprentissage Automatique

7.1. Méthodes d’apprentissage Non Supervisé appliquées à la Vision Artificielle

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

7.2. Méthodes d’apprentissage Supervisé appliquées à la Vision Artificielle

7.2.1. Concept “Bag of Words”
7.2.2. Machine à support vectoriel
7.2.3. Latent Dirichlet Allocation
7.2.4. Réseaux neuronaux

7.3. Réseaux neuronaux profonds: structures, Backbones et Transfer Learning

7.3.1. Couches génératrices de Features

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. Les données Préparation à la formation

7.4. Vision Artificielle avec apprentissage profond I: détection et segmentation

7.4.1. YOLO et SSD Différences et similitudes
7.4.2. Unet
7.4.3. Autres structures

7.5. Vision Artificielle avec apprentissage profond II: General Adversarial Networks

7.5.1. Super-résolution d’images à l’aide du GAN
7.5.2. Création d’images réalistes
7.5.3. Scene Understanding

7.6. Techniques d’apprentissage pour la localisation et la cartographie en Robotique mobile

7.6.1. Détection de fermeture de boucle
7.6.2. Magic Leap. Super Point et Super Glue
7.6.3. Depth from Monocular

7.7. Inférence bayésienne et modélisation 3D

7.7.1. Modèles bayésiens et apprentissage «classique”
7.7.2. Surfaces implicites avec processus gaussiens (GPIS)
7.7.3. Segmentation 3D à l’aide de GPIS
7.7.4. Réseaux neuronaux pour la modélisation de surfaces en 3D

7.8. Applications End-to-End des Réseaux Neuronaux Profonds

7.8.1. Systèmes End-to-end. Exemple d’identification des personnes
7.8.2. Manipulation d’objets à l’aide de capteurs visuels
7.8.3. Génération et planification de mouvements à l’aide de capteurs visuels

7.9. Technologies en nuage pour accélérer le développement d’algorithmes de Deep Learning

7.9.1. Utilisation de GPU pour le Deep Learning
7.9.2. Développement agile avec Google Colab
7.9.3. GPU distants, Google Cloud et AWS

7.10. Déploiement de réseaux neuronaux dans des applications réelles

7.10.1. Systèmes embarqués
7.10.2. Déploiement de Réseaux Neuronaux Utilisation
7.10.3. Optimisation des réseaux lors du déploiement, exemple avec TensorRT

Module 8. SLAM Visuel Localisation et cartographie simultanées de robots à l’aide de techniques de Vision Artificielle

8.1. Localisation et cartographie simultanées (SLAM)

8.1.1. Localisation et cartographie simultanées SLAM
8.1.2. Applications de la SLAM
8.1.3. Fonctions du SLAM

8.2. Géométrie projective

8.2.1. Modèle Pin-Hole
8.2.2. Estimation des paramètres intrinsèques d’une caméra
8.2.3. Homographie, principes de base et estimation
8.2.4. Matrice fondamentale, principes et estimation

8.3. Filtres Gaussiens

8.3.1. Filtre de Kalman
8.3.2. Filtre d’information
8.3.3. Accord et paramétrage du filtre Gaussien

8.4. EKF-SLAM stéréo

8.4.1. Géométrie de la caméra stéréo
8.4.2. Extraction et recherche de caractéristiques
8.4.3. Filtrage de Kalman pour le SLAM stéréo
8.4.4. Réglage des paramètres de l’EKF-SLAM stéréo

8.5. EKF-SLAM monoculaire

8.5.1. Paramétrage de Landmarks dans EKF-SLAM
8.5.2. Filtrage de Kalman pour le SLAM monoculaire
8.5.3. Réglage des paramètres l’EKF-SLAM monoculaire

8.6. Détection de fermeture de boucle

8.6.1. Algorithme de force brute
8.6.2. FABMAP
8.6.3. Abstraction à l’aide de GIST et HOG
8.6.4. Détection par apprentissage profond

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 de l’algorithme Direct Visual SLAM
8.8.2. LSD-SLAM
8.8.3. SVO

8.9. Visual Inertial SLAM

8.9.1. Intégration des mesures inertielles
8.9.2. Faible couplage: SOFT-SLAM
8.9.3. Couplage élevé: Vins-Mono

8.10. Autres technologies SLAM

8.10.1. Applications en dehors du SLAM visuel
8.10.2. Lidar-SLAM
8.10.2. Range-only SLAM

Module 9. Application à la Robotique des Technologies de Réalité Virtuelle et Augmentée

9.1. Technologies immersives en Robotique

9.1.1. Réalité Virtuelle en Robotique
9.1.2. Réalité Augmentée en Robotique 
9.1.3. Réalité Mixte en Robotique
9.1.4. Différence entre les réalités

9.2. Construction d’environnements virtuels

9.2.1. Matériaux et textures
9.2.2. Éclairage
9.2.3. Son et odeur virtuels

9.3. Modélisation de robots dans des environnements virtuels

9.3.1. Modélisation géométrique
9.3.2. Modélisation physique
9.3.3. Normalisation des modèles

9.4. Modélisation de la Dynamique et de la Cinématique des Robots: Moteurs Physiques Virtuels 

9.4.1. Moteurs physiques Typologie
9.4.2. Configuration d’un moteur physique
9.4.3. Moteurs physiques dans l’industrie

9.5. Plateformes, périphériques et outils les plus couramment utilisés en Réalité Virtuelle 

9.5.1. Visionneuses de réalité virtuelle
9.5.2. Périphériques d’interaction
9.5.3. Capteurs virtuels

9.6. Systèmes de réalité augmentée

9.6.1. Insertion d’éléments virtuels dans la réalité
9.6.2. Types de marqueurs visuels
9.6.3. Technologies de la réalité augmentée

9.7. Metaverse: Environnements Virtuels d’Agents Intelligents et de Personnes

9.7.1. Création d’avatars
9.7.2. Agents intelligents dans les environnements virtuels
9.7.3. Création d’environnements VR/AR multi-utilisateurs

9.8. Création de projets de réalité virtuelle pour la robotique

9.8.1. Phases de développement d’un projet de réalité virtuelle
9.8.2. Déploiement de systèmes de réalité virtuelle
9.8.3. Ressources en matière de réalité virtuelle

9.9. Création de projets de Réalité Augmentée pour la Robotique

9.9.1. Phases de développement d’un projet de Réalité Augmentée 
9.9.2. Déploiement de projet de réalité Augmentée
9.9.3. Ressources en réalité augmentée

9.10. Téléopération de robots avec des dispositifs mobiles

9.10.1. Réalité mixte mobile
9.10.2. Systèmes immersifs utilisant des capteurs de dispositifs mobiles
9.10.3. Exemples de projets mobiles

Module 10. Systèmes de Communication et d’Interaction avec les Robots

10.1. Reconnaissance de la parole: systèmes stochastiques

10.1.1. Modélisation acoustique de la parole
10.1.2. Modèles cachés de Markov 
10.1.3. Modélisation linguistique de la parole: N-Grammes, grammaires BNF

10.2. Reconnaissance de la parole: Deep Learning

10.2.1. Réseaux neuronaux profonds
10.2.2. Réseaux neuronaux récurrent
10.2.3. Cellules LSTM

10.3. Reconnaissance de la Parole: Prosodie et effets environnementaux 

10.3.1. Bruit ambiant 
10.3.2. Reconnaissance de plusieurs locuteurs 
10.3.3. Pathologies de la parole

10.4. Compréhension du Langage Naturel: Systèmes Heuristiques et Probabilistes

10.4.1. Analyse syntactico-sémantique: règles linguistiques
10.4.2. Compréhension basée sur des règles heuristiques
10.4.3. Systèmes probabilistes: régression logistique et SVM
10.4.4. Compréhension basée sur les réseaux neuronaux

10.5. Gestion du dialogue: stratégies heuristiques/probabilistes

10.5.1. Intention de l’interlocuteur
10.5.2. Dialogue basé sur un modèle
10.5.3. Gestion du dialogue stochastique: réseaux bayésiens

10.6. Gestion du dialogue: Stratégies avancées

10.6.1. Systèmes d’apprentissage par renforcement
10.6.2. Systèmes basés sur les réseaux neuronaux 
10.6.3. De la parole à l’intention dans un seul réseau 

10.7. Génération de Réponses et Synthèse Vocale

10.7.1. Génération de réponses: De l’idée au texte cohérent
10.7.2. Synthèse vocale par concaténation
10.7.3. Synthèse stochastique de la parole 

10.8. Adaptation et contextualisation du dialogue

10.8.1. Initiative de dialogue
10.8.2. Adaptation à l’interlocuteur
10.8.3. Adaptation au contexte du dialogue

10.9. Robots et interactions sociales: reconnaissance, synthèse et expression des émotions

10.9.1. Paradigmes de la voix artificielle: voix robotique et voix naturelle
10.9.2. Reconnaissance des émotions et analyse des sentiments
10.9.3. Synthèse vocale émotionnelle

10.10. Robots et Interactions Sociales: Interfaces Multimodales Avancées

10.10.1. Combinaison d’interfaces vocales et tactiles
10.10.2. Reconnaissance et traduction de la langue des signes
10.10.3. Avatars visuels: traduction de la parole en langue des signes 

Consultez tout le contenu de ce Mastère spécialisé dès le premier jour et avancez dès que possible dans un domaine technologique offrant un large éventail de possibilités professionnelles"