Kurzusleírás

Bevezetés a Edge AI in Autonomous Systems-be

  • Az Edge AI áttekintése és jelentősége az autonóm rendszerekben
  • Az Edge AI autonóm rendszerekben történő megvalósításának fő előnyei és kihívásai
  • Aktuális trendek és innovációk az Edge AI-ben az autonómia érdekében
  • Valós alkalmazások és esettanulmányok

Valós idejű feldolgozás autonóm rendszerekben

  • A valós idejű adatfeldolgozás alapjai
  • AI modellek a valós idejű döntéshozatalhoz
  • Adatfolyamok és szenzorfúzió kezelése
  • Gyakorlati példák és esettanulmányok

Edge AI autonóm járművekben

  • AI modellek a járművek észleléséhez és vezérléséhez
  • AI-megoldások fejlesztése és bevezetése a valós idejű navigációhoz
  • Az Edge AI integrálása járművezérlő rendszerekkel
  • Esettanulmányok az Edge AI-ről autonóm járművekben

Edge AI drónokban

  • AI modellek a drónok érzékeléséhez és repülésvezérléséhez
  • Valós idejű adatfeldolgozás és döntéshozatal drónokban
  • Edge AI megvalósítása az autonóm repüléshez és akadálykerüléshez
  • Gyakorlati példák és esettanulmányok

Edge AI itt: Robotics

  • AI modellek a robotikus észleléshez és manipulációhoz
  • Valós idejű feldolgozás és vezérlés robotrendszerekben
  • Az Edge AI integrálása robotvezérlési architektúrákkal
  • Esettanulmányok az Edge AI-ről a robotikában

AI modellek fejlesztése autonóm alkalmazásokhoz

  • A releváns gépi tanulási és mély tanulási modellek áttekintése
  • Modellek betanítása és optimalizálása az éles telepítéshez
  • Eszközök és keretrendszerek az autonóm Edge AI-hez (TensorFlow Lite, ROS stb.)
  • Modellérvényesítés és -értékelés autonóm környezetben

Edge AI megoldások telepítése autonóm rendszerekben

  • Lépések az AI-modellek telepítéséhez különféle hardvereken
  • Valós idejű adatfeldolgozás és következtetés a szélső eszközökön
  • A telepített AI modellek figyelése és kezelése
  • Gyakorlati telepítési példák és esettanulmányok

Etikai és szabályozási megfontolások

  • Az autonóm AI-rendszerek biztonságának és megbízhatóságának biztosítása
  • Az elfogultság és a méltányosság kezelése az autonóm AI-modellekben
  • Az előírásoknak és szabványoknak való megfelelés autonóm rendszerekben
  • A legjobb gyakorlatok a felelős mesterséges intelligencia bevezetéséhez autonóm rendszerekben

Teljesítményértékelés és -optimalizálás

  • A modellek teljesítményének értékelési technikái autonóm rendszerekben
  • Eszközök a valós idejű megfigyeléshez és hibakereséshez
  • Stratégiák az AI-modell teljesítményének optimalizálására autonóm alkalmazásokban
  • A késleltetési, megbízhatósági és méretezhetőségi kihívások kezelése

Innovatív Use Case és alkalmazások

  • Az Edge AI fejlett alkalmazásai autonóm rendszerekben
  • Mélyreható esettanulmányok különböző autonóm területeken
  • Sikertörténetek és tanulságok
  • Az Edge AI jövőbeli trendjei és lehetőségei az autonómia érdekében

Gyakorlati projektek és gyakorlatok

  • Egy átfogó Edge AI alkalmazás fejlesztése autonóm rendszerhez
  • Valós projektek és forgatókönyvek
  • Együttműködő csoportos gyakorlatok
  • Projektbemutatók és visszajelzések

Összegzés és a következő lépések

Követelmények

  • Az AI és a gépi tanulási koncepciók megértése
  • Programozási nyelvekkel kapcsolatos tapasztalat (Python ajánlott)
  • Robotika, autonóm rendszerek vagy kapcsolódó technológiák ismerete

Közönség

  • Robotics mérnökök
  • Autonóm járműfejlesztők
  • AI kutatók
 14 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák