Hai in mente un progetto e ti manca la specializzazione per realizzarlo? In questo programma un team di docenti esperti di Robotica ti fornisce gli strumenti per avanzare nell'industria 4.0”

La Roboticafa parte della nostra vita quotidiana. Le macchine sono presenti non solo nel settore industriale, che è cresciuto enormemente grazie ai progressi tecnici e scientifici, ma la Robotica è ormai molto più vicina anche ai cittadini. Non è più raro vedere che qualcuno con una certa educazione guidi un drone, possieda degli occhiali virtuali con cui poter immergersi nell'ultimo videogioco o case in cui la tecnologia che risolve problemi di ogni tipo.

Robotica è un termine ormai comune nel presente e che sarà parte fondamentale del futuro dei professionisti informatici che desiderino acquisire una specializzazione in un settore con grandi possibilità di crescita. Questo Master fornisce una vasta conoscenza che consentirà agli studenti di acquisire un apprendimento nei campi della realtà aumentata, dell’intelligenza artificiale e delle tecnologie aerospaziali o industriali. Tutto questo permetterà loro di lavorare per imprese di diversi settori o creare i propri progetti di Robotica.

Affinché gli studenti raggiungano il loro obiettivo, TECH ha riunito in questo programma 100% online un team di professionisti specializzati e con una vasta esperienza in progetti internazionali di prestigio nel settore della Robotica. Questo personale docente fornisce al professionista informatico contenuti da un approccio teorico-pratico, in cui non solo conoscerà le ultime novità sulla robotica, ma anche la sua applicazione in ambienti reali.

Un'ottima opportunità per progredire grazie a una qualifica che fin dall'inizio mette a disposizione un programma composto da video riassuntivi, letture essenziali, video dettagliati ed esercizi di auto-conoscenza. Gli studenti acquisiranno quindi una visione globale sulla Master in modo confortevole, potendo accedere quando vogliano ai contenuti e distribuire il carico di lavoro in base alle proprie esigenze. In questo modo potranno conciliare un apprendimento all'avanguardia accademica con le proprie responsabilità personali.

Connettiti quando vuoi e in qualsiasi momento a tutti i contenuti di questo corso. TECH Global University si adatta alle tue esigenze

 

Questo Master in Robotica possiede il programma più completo e aggiornato del mercato. Le caratteristiche principali del programma sono:

• Sviluppo di casi pratici presentati da esperti in Ingegneria Robotica
• Contenuti grafici, schematici ed eminentemente pratici che forniscono informazioni scientifiche e pratiche riguardo alle discipline essenziali per l’esercizio della professione
• Esercizi pratici che offrono un processo di autovalutazione per migliorare l'apprendimento
• Speciale enfasi sulle metodologie innovative
• Lezioni teoriche, domande all'esperto, forum di discussione su questioni controverse e compiti di riflessione individuale
• Contenuti disponibili da qualsiasi dispositivo fisso o mobile dotato di connessione a interne

Iscriviti ora e non perdere l'opportunità di conoscere a fondo le principali tecnologie SLAM Visual"

Il personale docente del programma comprende rinomati professionisti del settore, nonché specialisti riconosciuti appartenenti a società e università prestigiose, che forniscono agli studenti le competenze necessarie a intraprendere un percorso di studio eccellente.

I contenuti multimediali, sviluppati in base alle ultime tecnologie educative, forniranno al professionista un apprendimento coinvolgente e localizzato, ovvero inserito in un contesto reale.

La creazione di questo programma è incentrata sull’Apprendimento Basato su Problemi, mediante il quale lo specialista deve cercare di risolvere le diverse situazioni che gli si presentano durante il corso. Lo studente potrà usufruire di un innovativo sistema di video interattivi creati da esperti di rinomata fama.

Impara a sviluppare tecniche di programmazione pulita ed efficiente in PLC grazie a questo Master"

Padroneggia la Robotica a livello avanzato grazie al contributo offerto da questa qualifica sugli elementi hardware e software"

Gli studenti avranno a disposizione in questo programma, insegnato in modalità online, svariati contenuti nel campo della Robotica strutturati in 10 moduli a cui è possibile accedere in qualsiasi momento. La visione teorico-pratica del programma sarà acquisita in modo più agile grazie alle risorse multimediali e al sistema Relearning, basato sulla ripetizione dei contenuti. Il professionista informatico avrà quindi le conoscenze necessarie a portata di mano per poter progredire in questo settore.

Iscriviti subito a un corso che ti offre le ultime novità in Robotica e Industria 4.0”

Modulo 1. Robotica. Progettazione e modellazione di robot

1.1. Robotica e Industria 4.0

1.1.1. Robotica e Industria 4.0
1.1.2. Campi di applicazione e casi d'uso
1.1.3. Sottoaree di specializzazione della Robotica

1.2. Architetture hardware e software per robot

1.2.1. Architetture hardware e tempo reale
1.2.2. Architetture software per robot
1.2.3. Modelli di comunicazione e tecnologie Middleware
1.2.4. Integrazione software con Robot Operating System (ROS)

1.3. Modellazione matematica di robot

1.3.1. Rappresentazione matematica di solidi rigidi
1.3.2. Rotazioni e traslazioni
1.3.3. Rappresentanza gerarchica dello stato
1.3.4. Rappresentazione distribuita dello stato in ROS (Libreria TF)

1.4. Cinematica e dinamica di robot

1.4.1. Cinematica
1.4.2. Dinamica
1.4.3. Robot sottoattuati
1.4.4. Robot ridondanti

1.5. Modellazione e simulazione di robot

1.5.1. Tecnologie di modellazione dei robot
1.5.2. Modellazione di robot con URDF
1.5.3. Simulazione di robot
1.5.4. Modellazione con simulatore Gazebo

1.6. Robot manipolatori

1.6.1. Tipi di robot manipolatori
1.6.2. Cinematica
1.6.3. Dinamica
1.6.4. Simulazione

1.7. Robot mobili terrestri

1.7.1. Tipi di Robot mobili terrestri
1.7.2. Cinematica
1.7.3. Dinamica
1.7.4. Simulazione

1.8. Robot mobili aerei

1.8.1. Tipi di robot mobili aerei
1.8.2. Cinematica
1.8.3. Dinamica
1.8.4. Simulazione

1.9. Robot mobili acquatici

1.9.1. Tipi di robot mobili acquatici
1.9.2. Cinematica
1.9.3. Dinamica
1.9.4. Simulazione

1.10. Robot bioispirati

1.10.1. Umanoidi 
1.10.2. Robot con quattro o più gambe
1.10.3. Robot modulari
1.10.4. Robot con parti flessibili (Soft-Robotics)

Modulo 2. Agenti intelligenti. Applicare l'Intelligenza Artificiale a robot e Softbot

2.1. Attori Intelligenti e Intelligenza Artificiale

2.1.1. Robot intelligenti. Intelligenza Artificiale
2.1.2. Agenti intelligenti

2.1.2.1. Agenti hardware. Robot
2.1.2.2. Agenti software. Softbot

2.1.3. Applicazioni alla Robotica

2.2. Connessione Cervello-Algoritmo

2.2.1. Ispirazione biologica dell’Intelligenza Artificiale
2.2.2. Ragionamento implementato in algoritmi. Tipologia
2.2.3. Spiegazione dei risultati negli algoritmi di Intelligenza Artificiale
2.2.4. Evoluzione degli algoritmi fino al Deep Learning

2.3. Algoritmi di ricerca nello spazio delle soluzioni

2.3.1. Elementi nella ricerca nello spazio delle soluzioni
2.3.2. Algoritmi di ricerca di soluzioni ai problemi di Intelligenza Artificiale
2.3.3. Applicazioni di algoritmi di ricerca e ottimizzazione
2.3.4. Algoritmi di ricerca applicati a Machine Learning

2.4. Apprendimento automatico

2.4.1. Apprendimento automatico
2.4.2. Algoritmi di apprendimento supervisionati
2.4.3. Algoritmi di apprendimento non supervisionati
2.4.4. Algoritmi di apprendimento per rinforzo

2.5. Apprendimento supervisionato

2.5.1. Metodi di apprendimento supervisionato
2.5.2. Alberi decisionali per la classificazione
2.5.3. Macchine di supporto di vettori
2.5.4. Reti neuronali artificiali
2.5.5. Applicazioni di apprendimento supervisionato

2.6. Apprendimento non supervisionato

2.6.1. Apprendimento non supervisionato
2.6.2. Reti di Kohonen
2.6.3. Mappe auto-organizzanti
2.6.4. Algoritmo K-medies

2.7. Apprendimento per rinforzo

2.7.1. Apprendimento di rinforzo
2.7.2. Agenti basati sui processi di Markov
2.7.3. Algoritmi di apprendimento per rinforzo
2.6.4. Apprendimento per rinforzo applicato alla Robotica

2.8. Reti neuronali artificiali e Deep Learning

2.8.1. Reti neuronali artificiali. Tipologia
2.8.2. Applicazioni di reti neurali
2.8.3. Trasformazione di Machine Learning in Deep Learning
2.8.4. Applicazioni di Deep Learning

2.9. Inferenza probabilistica

2.9.1. Deduzione probabilistica
2.9.2. Tipi di inferenza e definizione del metodo
2.9.3. Inferenza bayesiana come caso di studio
2.9.4. Tecniche di inferenza non parametriche
2.9.5. Filtri Gaussiani

2.10. Dalla teoria alla pratica: sviluppare un agente robotico intelligente

2.10.1. Inclusione di moduli di apprendimento supervisionato in un agente robotico
2.10.2. Inclusione di moduli di apprendimento per rinforzo in un agente robotico
2.10.3. Architettura di un agente robotico controllato dall'Intelligenza Artificiale
2.10.4. Strumenti professionali per l'implementazione degli agenti intelligenti
2.10.5. Fasi di implementazione di algoritmi AI in agenti robotici

Modulo 3. Robotica nell'automazione di processi industriali

3.1. Progettazione di sistemi automatizzati

3.1.1. Architetture hardware
3.1.2. Controllori logici programmabili
3.1.3. Reti di comunicazioni industriali

3.2. Progettazione elettrica avanzata I: automazione

3.2.1. Progettazione di quadri elettrici e simbologia
3.2.2. Circuiti di potenza e controllo. Armonica
3.2.3. Elementi di protezione e messa a terra

3.3. Progettazione elettrica avanzata II: determinismo e sicurezza

3.3.1. Sicurezza della macchina e ridondanza
3.3.2. Relè di sicurezza e trigger
3.3.3. PLC di sicurezza
3.3.4. Reti protette

3.4. Azione elettrica

3.4.1. Motori e servomotori
3.4.2. Inverter e controller di frequenza
3.4.3. Robotica industriale ad azionamento elettrico

3.5. Azionamento idraulico e pneumatico

3.5.1. Progettazione idraulica e simbologia
3.5.2. Progettazione pneumatica e simbologia
3.5.3. Ambienti ATEX nell'automazione

3.6. Trasduttori in Robotica e Automazione

3.6.1. Misurazione della posizione e della velocità
3.6.2. Misurazione della forza e della temperatura
3.6.3. Misura di presenza
3.6.4. Sensori per la visione

3.7. Programmazione e configurazione di controllori programmabili logici PLC

3.7.1. Programmazione PLC: LD
3.7.2. Programmazione PLC: ST
3.7.3. Programmazione PLC: FBD e CFC
3.7.4. Programmazione PLC: SFC

3.8. Programmazione e configurazione di apparecchiature in impianti industriali

3.8.1. Programmazione di inverter e controlli
3.8.2. Programmazione di HMI
3.8.3. Programmazione di robot manipolatori

3.9. Programmazione e configurazione di apparecchiature informatica industriali

3.9.1. Programmazione di sistemi di visione
3.9.2. Programmazione di SCADA/software
3.9.3. Configurazione di rete

3.10. Implementazione di automatismi

3.10.1. Progettazione di macchine di stato
3.10.2. Implementazione di macchine di stato in PLC
3.10.3. Implementazione di sistemi di controllo PID e PLC
3.10.4. Manutenzione di automazioni e Igiene del codice
3.10.5. Simulazione di automazioni e impianti

Modulo 4. Sistemi di controllo automatico in Robotica

4.1. Analisi e progettazione di sistemi non lineari

4.1.1. Analisi e modellazione di sistemi non lineari
4.1.2. Controllo con il feedback
4.1.3. Linearizzazione per feedback

4.2. Progettazione di tecniche di controllo per sistemi non lineari avanzati

4.2.1. Controllo in Sliding Mode control
4.2.2. Controllo basato su Lyapunov e Backstepping
4.2.3. Controllo basato sulla passività

4.3. Architetture di controllo

4.3.1. Il paradigma della robotica
4.3.2. Architetture di controllo
4.3.3. Applicazioni ed esempi di architetture di controllo

4.4. Controllo del movimento per articolazioni robotiche

4.4.1. Modellazione cinematica e dinamica
4.4.2. Controllo nello spazio delle articolazioni
4.4.3. Controllo nello spazio operativo

4.5. Controllo della forza sugli attuatori

4.5.1. Controllo della forza
4.5.2. Controllo dell'impedenza
4.5.3. Controllo ibrido

4.6. Robot mobili terrestri

4.6.1. Equazione di moto
4.6.2. Tecniche di controllo nei robot terrestri
4.6.3. Manipolatori mobili

4.7. Robot mobili aerei

4.7.1. Equazione di moto
4.7.2. Tecniche di controllo dei robot aerei
4.7.3. Manipolazione aerea

4.8. Controllo basato sulle tecniche di Machine Learning

4.8.1. Controllo tramite l'apprendimento supervisionato
4.8.2. Controllo tramite l'apprendimento di rinforzo
4.8.3. Controllo tramite l'apprendimento non supervisionato

4.9. Controllo basato sulla visione

4.9.1. Visual Servoing basato sulla posizione
4.9.2. Visual Servoing basato sull’immagine
4.9.3. Visual Servoing ibrido

4.10. Controllo predittivo

4.10.1. Modelli e stime di stato
4.10.2. MPC applicato ai robot mobili
4.10.3. MPC applicato a UAV

Modulo 5. Algoritmi di pianificazione dei robot

5.1. Algoritmi di pianificazione classica

5.1.1. Pianificazione discreta: spazio degli stati
5.1.2. Problemi di pianificazione in robotica. Modellazione di sistemi robotici
5.1.3. Classificazione dei pianificatori

5.2. Il problema della pianificazione della traiettoria nei robot mobili

5.2.1. Forme di rappresentazione dell'ambiente: grafi
5.2.2. Algoritmi di ricerca nei grafi
5.2.3. Introduzione dei costi nei grafi
5.2.4. Algoritmi di ricerca nei grafi pesanti
5.2.5. Algoritmi con messa a fuoco da qualsiasi angolazione

5.3. Pianificazione di sistemi robotici ad alta dimensionalità

5.3.1. Problemi di robotica ad alta dimensionalità: manipolatori
5.3.2. Modello cinematico diretto/inverso
5.3.3. Algoritmi di pianificazione a campione PRM e RRT
5.3.4. Pianificare in caso di vincoli dinamici

5.4. Pianificazione a campione ottimale

5.4.1. Problemi dei pianificatori basati sul campionamento
5.4.2. RRT* concetto di ottimalità probabilistica
5.4.3. Passaggio di riconnessione: vincoli dinamici
5.4.4. CForest. Parallelizzazione della pianificazione

5.5. Implementazione effettiva di un sistema di pianificazione del movimento

5.5.1. Problema di pianificazione globale. Ambienti dinamici
5.5.2. Ciclo di azione, sensorizzazione. Acquisizione di informazioni dall'ambiente
5.5.3. Pianificazione locale e globale

5.6. Coordinamento dei sistemi multirobot I: sistema centralizzato

5.6.1. Problema di coordinamento multirobot
5.6.2. Rilevamento e risoluzione delle collisioni: modifica delle traiettorie con algoritmi genetici
5.6.3. Altri algoritmi bio-ispirati: sciami di particelle e fuochi d'artificio
5.6.4. Algoritmo di prevenzione delle collisioni per scelta di manovra

5.7. Coordinamento nei sistemi multirobot II: approcci distribuiti I

5.7.1. Utilizzo di funzioni target complesse
5.7.2. Fronte di Pareto
5.7.3. Algoritmi evolutivi multiobiettivo

5.8. Coordinamento nei sistemi multirobot III: approcci distribuiti II

5.8.1. Sistemi di pianificazione di ordine 1
5.8.2. Algoritmo ORCA
5.8.3. Aggiunta di vincoli cinematici e dinamici in ORCA

5.9. Teoria della pianificazione per decisione

5.9.1. Teoria decisionale
5.9.2. Sistemi di decisione sequenziale
5.9.3. Sensori e spazi di informazione
5.9.4. Pianificazione di fronte all'incertezza nella percezione e nell'azione

5.10. Sistemi di pianificazione dell'apprendimento per rinforzo

5.10.1. Ottenere la ricompensa prevista da un sistema
5.10.2. Tecniche di apprendimento per ricompensa media
5.10.3. Apprendimento per rinforzo inverso

Modulo 6. Tecniche di visione artificiale in robotica: elaborazione e analisi delle immagini

6.1. Visione Artificiale

6.1.1. Visione Artificiale
6.1.2. Elementi di un sistema di visione artificiale
6.1.3. Strumenti matematici

6.2. Sensori ottici per la Robotica

6.2.1. Sensori ottici passivi
6.2.2. Sensori ottici attivi
6.2.3. Sensori non ottici

6.3. Acquisizione di immagini

6.3.1. Rappresentazione in immagini
6.3.2. Spazio del colore
6.3.3. Processo di digitalizzazione

6.4. Geometria delle immagini

6.4.1. Modelli di lenti
6.4.2. Modelli di telecamere
6.4.3. Calibrazione delle telecamere

6.5. Strumenti matematici

6.5.1. Istogramma di un'immagine
6.5.2. Convoluzione 
6.5.3. Trasformata di Fourier

6.6. Preelaborazione delle immagini

6.6.1. Analisi del rumore
6.6.2. Attenuazione delle immagini
6.6.3. Miglioramento delle immagini

6.7. Segmentazione delle immagini

6.7.1. Tecniche basate sui contorni
6.7.3. Tecniche basate sull’istogramma
6.7.4. Operazioni morfologiche

6.8. Rilevamento delle caratteristiche nell'immagine

6.8.1. Rilevamento dei punti di interesse
6.8.2. Descrittori delle caratteristiche
6.8.3. Corrispondenze tra le caratteristiche

6.9. Sistemi di visione 3D

6.9.1. Percezione 3D
6.9.2. Corrispondenza delle caratteristiche tra immagini
6.9.3. Geometria a più viste

6.10. Localizzazione basata sulla visione artificiale

6.10.1. Il problema della localizzazione dei Robot
6.10.2. Odometria visiva
6.10.3. Fusione sensoriale

Modulo 7. Sistemi di percezione visiva dei Robot con apprendimento automatico

7.1. Metodi di apprendimento non supervisionati applicati alla visione artificiale

7.1.1. Clustering
7.1.2. PCA
7.1.3. Nearest Neighbors
7.1.4. Similarity and matrix decomposition

7.2. Metodi di apprendimento supervisionati applicati alla visione artificiale

7.2.1. Concetto “Bag of words”
7.2.2. Macchine di supporto di vettori
7.2.3. Latent Dirichlet Allocation
7.2.4. Reti neuronali

7.3. Reti neurali profonde: strutture, Backbones e Transfer Learning

7.3.1. Strati generatori di 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. I dati. Preparazione al training

7.4. Visione Artificiale con Deep Learning I: rilevamento e segmentazione

7.4.1. YOLO e SSD differenze e somiglianze
7.4.2. Unet
7.4.3. Altre strutture

7.5. Visione Artificiale con Deep Learning II: General Adversarial Networks

7.5.1. Super risoluzione delle immagini utilizzando GAN
7.5.2. Creazione di Immagini realiste
7.5.3. Scene understanding

7.6. Tecniche di apprendimento per la localizzazione e la mappatura nella robotica mobile

7.6.1. Rilevamento della chiusura di loop e rilocazione
7.6.2. Magic Leap. Super Point y Super Glue
7.6.3. Depth from Monocular

7.7. Inferenza bayesiana e modellazione 3D

7.7.1. Modelli bayesiani e apprendimento "classico"
7.7.2. Superfici implicite con processi gaussiani (GPIS)
7.7.3. Segmentazione 3D con GPIS
7.7.4. Reti neurali per la modellazione di superfici 3D

7.8. Applicazioni end-to-end delle reti neurali profonde

7.8.1. Sistema end-to-end. Esempio di identificazione delle persone
7.8.2. Manipolazione di oggetti con sensori visivi
7.8.3. Generazione di movimenti e pianificazione con sensori visivi

7.9. Tecnologie cloud per accelerare lo sviluppo di algoritmi di deep learning

7.9.1. Uso di GPU per il Deep Learning
7.9.2. Sviluppo agile con Google IColab
7.9.3. GPUs remote, Google Cloud e AWS

7.10. Deployment di reti neurali in applicazioni reali

7.10.1. Sistemi embedded
7.10.2. Deployment di reti neurali. Uso
7.10.3. Ottimizzazione della rete durante la distribuzione, ad esempio con TensorRT

Modulo 8. SLAM Visivo. Localizzazione di robot e mappatura simultanea con tecniche di Visione Artificiale

8.1. Localizzazione e mappatura simultanee (SLAM)

8.1.1. Localizzazione e mappatura simultanee. SLAM
8.1.2. Applicazioni dello SLAM
8.1.3. Funzioni dello SLAM

8.2. Geometria proiettiva

8.2.1. Modello Pin-Hole
8.2.2. Stima di parametri intrinsechi di una fotocamera
8.2.3. Omografia, principi di base e stima
8.2.4. Matrice fondamentale, principi e stime

8.3. Filtri Gaussiani

8.3.1. Filtro di Kalman
8.3.2. Filtro di informazioni
8.3.3. Regolazione e parametrizzazione dei filtri gaussiani

8.4. Stereo EKF-SLAM

8.4.1. Geometria della telecamera stereo
8.4.2. Estrazione e ricerca di funzionalità
8.4.3. Filtro di Kalman per SLAM stereo
8.4.4. Impostazione dei parametri di EKF-SLAM stereo

8.5. Monoculare EKF-SLAM

8.5.1. Parametrizzazione dei Landmarks in EKF-SLAM
8.5.2. Filtro di Kalman per SLAM monoculare
8.5.3. Impostazione dei parametri di EKF-SLAM monoculare

8.6. Rilevamento della chiusura di loop

8.6.1. Algoritmo di forza bruta
8.6.2. FABMAP
8.6.3. Astrazione tramite GIST e HOG
8.6.4. Rilevamento tramite deep learning

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. Analisi dell’algoritmo Direct Visual SLAM
8.8.2. LSD-SLAM
8.8.3. SVO

8.9. Visual Inertial SLAM

8.9.1. Integrazione delle misure inerziali
8.9.2. Accoppiamento basso: SOFT-SLAM
8.9.3. Accoppiamento alto: Vins-Mono

8.10. Altre tecnologie di SLAM

8.10.1. Applicazioni oltre lo SLAM visivo
8.10.2. Lidar-SLAM
8.10.2. Range-only SLAM

Modulo 9. Applicazione alla robotica delle tecnologie di realtà virtuale e aumentata

9.1. Tecnologie immersive nella Robotica

9.1.1. Realtà Virtuale in Robotica
9.1.2. Realtà Aumentata in Robotica
9.1.3. Realtà Mista in Robotica
9.1.4. Differenza tra le realtà

9.2. Costruzione di ambienti virtuali

9.2.1. Materiali e texture
9.2.2. Illuminazione
9.2.3. Suono e odore virtuale

9.3. Modellazione di robot in ambienti virtuali

9.3.1. Modellazione geometrica
9.3.2. Modellazione fisica
9.3.3. Standardizzazione dei modelli

9.4. Modellazione dinamica e cinematica dei robot: motori fisici virtuali

9.4.1. Motori fisici. Tipologia
9.4.2. Configurazione di un motore fisico
9.4.3. Motori fisici nell'industria

9.5. Piattaforme, periferiche e strumenti più utilizzati nella realtà virtuale

9.5.1. Visori per la realtà virtuale
9.5.2. Periferiche di interazione
9.5.3. Sensori virtuali

9.6. Sistemi di Realtà Aumentata

9.6.1. Inserimento di elementi virtuali nella realtà
9.6.2. Tipi di marcatori visivi
9.6.3. Tecnologie di Realtà Aumentata

9.7. Metaverso: ambienti virtuali di agenti intelligenti e persone

9.7.1. Creazione di avatar
9.7.2. Agenti intelligenti in ambienti virtuali
9.7.3. Costruzione di ambienti multiutente per VR/AR

9.8. Creazione di progetti di Realtà Virtuale in Robotica 

9.8.1. Fasi di sviluppo di un progetto di Realtà Virtuale
9.8.2. Deployment di sistemi di Realtà Virtuale
9.8.3. Risorse per la Realtà Virtuale

9.9. Creazione di progetti di Realtà Aumentata in Robotica

9.9.1. Fasi di sviluppo di un progetto di Realtà Aumentata
9.9.2. Deployment di Progetti di Realtà Aumentata
9.9.3. Risorse per la Realtà Aumentata

9.10. Tele-operazione di robot con dispositivi mobili

9.10.1. Realtà Mista in dispositivi mobili
9.10.2. Sistemi immersivi con sensori per dispositivi mobili
9.10.3. Esempi di progetti mobili

Modulo 10. Sistemi di comunicazione e interazione con i robot

10.1. Riconoscimento vocale: sistemi stocastici

10.1.1. Modellazione acustica del discorso
10.1.2. Modelli nascosti di Markov
10.1.3. Modellazione linguistica del discorso: N-Grammi, grammatiche BNF

10.2. Il riconoscimento del linguaggio: Deep Learning

10.2.1. Reti neuronali profonde
10.2.2. Reti neuronali ricorrenti
10.2.3. Cellule LSTM

10.3. Riconoscimento vocale: prosodia ed effetti ambientali

10.3.1. Rumore ambientale
10.3.2. Riconoscimento multi-vocale
10.3.3. Patologie nell’uso della parola

10.4. Comprensione del linguaggio naturale: sistemi euristici e probabilistici

10.4.1. Analisi sintattico-semantica: regole linguistiche
10.4.2. Comprensione basata su regole euristiche
10.4.3. Sistemi probabilistici: regressione logistica e SVM
10.4.4. Comprensione basata sulle reti neurali

10.5. Gestione del dialogo: strategie euristiche/probabilistiche

10.5.1. Intenzione dell'interlocutore
10.5.2. Finestra di dialogo basata su modelli
10.5.3. Gestione del dialogo stocastico: reti bayesiane

10.6. Gestione del dialogo: strategie avanzate

10.6.1. Sistemi di apprendimento basati sul rinforzo
10.6.2. Sistemi basati sulle reti neurali
10.6.3. Dal parlare all'intenzione in un'unica rete

10.7. Generazione di risposta e sintesi vocale

10.7.1. Generazione di risposta: dall'idea al testo coerente
10.7.2. Sintesi del discorso per concatenazione
10.7.3. Sintesi del linguaggio stocastico

10.8. Adattamento e contestualizzazione del dialogo

10.8.1. Iniziativa di dialogo
10.8.2. Adattamento al parlante
10.8.3. Adattamento al contesto del dialogo

10.9. Robot e interazioni sociali: riconoscimento, sintesi ed espressione delle emozioni

10.9.1. Paradigmi della voce artificiale: voce robotica e voce naturale
10.9.2. Riconoscimento delle emozioni e analisi dei sentimenti
10.9.3. Sintesi della voce emotiva

10.10. Robot e interazioni sociali: interfacce multimodali avanzate

10.10.1. Combinazione di interfacce vocali e tattili
10.10.2. Riconoscimento e traduzione della lingua dei segni
10.10.3. Avatar visivi: traduzione da voce a lingua dei segni 

Visualizza tutti i contenuti di questo Master fin dal primo giorno e progredisci quanto prima in un'area tecnologica con ampie opportunità di carriera”