AI for Robotics обучение в България

Edge AI enables artificial intelligence models to run directly on embedded or resource-constrained devices, reducing latency and power consumption while increasing autonomy and privacy in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level embedded developers and robotics engineers who wish to implement machine learning inference and optimization techniques directly on robotic hardware using TinyML and edge AI frameworks.

By the end of this training, participants will be able to:

• Understand the fundamentals of TinyML and edge AI for robotics.
• Convert and deploy AI models for on-device inference.
• Optimize models for speed, size, and energy efficiency.
• Integrate edge AI systems into robotic control architectures.
• Evaluate performance and accuracy in real-world scenarios.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using TinyML and edge AI toolchains.
• Practical exercises on embedded and robotic hardware platforms.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Reinforcement learning (RL) is a machine learning paradigm where agents learn to make decisions by interacting with an environment. In robotics, RL enables autonomous systems to develop adaptive control and decision-making capabilities through experience and feedback.

This instructor-led, live training (online or onsite) is aimed at advanced-level machine learning engineers, robotics researchers, and developers who wish to design, implement, and deploy reinforcement learning algorithms in robotic applications.

By the end of this training, participants will be able to:

• Understand the principles and mathematics of reinforcement learning.
• Implement RL algorithms such as Q-learning, DDPG, and PPO.
• Integrate RL with robotic simulation environments using OpenAI Gym and ROS 2.
• Train robots to perform complex tasks autonomously through trial and error.
• Optimize training performance using deep learning frameworks like PyTorch.

Format of the Course

• Interactive lecture and discussion.
• Hands-on implementation using Python, PyTorch, and OpenAI Gym.
• Practical exercises in simulated or physical robotic environments.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

OpenCV is an open-source computer vision library that enables real-time image processing, while deep learning frameworks such as TensorFlow provide the tools for intelligent perception and decision-making in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers, computer vision practitioners, and machine learning engineers who wish to apply computer vision and deep learning techniques for robotic perception and autonomy.

By the end of this training, participants will be able to:

• Implement computer vision pipelines using OpenCV.
• Integrate deep learning models for object detection and recognition.
• Use vision-based data for robotic control and navigation.
• Combine classical vision algorithms with deep neural networks.
• Deploy computer vision systems on embedded and robotic platforms.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using OpenCV and TensorFlow.
• Live-lab implementation on simulated or physical robotic systems.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

ROS 2 (Robot Operating System 2) is an open-source framework designed to support the development of complex and scalable robotic applications.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers and developers who wish to implement autonomous navigation and SLAM (Simultaneous Localization and Mapping) using ROS 2.

By the end of this training, participants will be able to:

• Set up and configure ROS 2 for autonomous navigation applications.
• Implement SLAM algorithms for mapping and localization.
• Integrate sensors such as LiDAR and cameras with ROS 2.
• Simulate and test autonomous navigation in Gazebo.
• Deploy navigation stacks on physical robots.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using ROS 2 tools and simulation environments.
• Live-lab implementation and testing on virtual or physical robots.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Роботиката е област в изкуствения интелигент (AI), която се занимава с програмирането и проектирането на интелигентни и ефективни машини.

Този инструкторски, живо обучение (онлайн или на място) е предназначено за инженери, които желаят да програмират и създават роботи чрез основни методи на AI.

До края на това обучение участниците ще бъдат способни да:

• Реализират филтри (Kalman и частични) за да позволяват на робота да локализира движещи се обекти в неговата среда.
• Реализират алгоритми за търсене и планиране на движение.
• Реализират PID контроли за регулиране на движението на робот в среда.
• Реализират алгоритми SLAM за да позволяват на робот да картографира неизвестна среда.

Формат на курса

• Интерактивни лекции и дискусии.
• Много упражнения и практика.
• Ръчен ефект в жив лабораторен модел.

Опции за персонализиране на курса

• За да поискате персонализирано обучение за този курс, моля свържете се с нас за уреждане.

В този курс, воден от инструктор, в България (онлайн или на място), участниците ще научат различните технологии, рамки и техники за програмиране на различни типове роботи, които ще се използват в областта на ядрената технология и екологичните системи.

Курсът продължава 6 седмици и се провежда 5 дни в седмицата. Всеки ден е 4 часа дълъг и включва лекции, дискусии и практическо разработване на роботи в реално лабораторно обкръжение. Участниците ще изпълнят различни проекти от реалния свят, приложими за работата им, за да упражняват придобитите знания.

Целта е хардуера за този курс да бъде симулиран в 3D чрез софтуер за симулации. ROS (Robot Operating System) open-source рамката, C++ и Python ще бъдат използвани за програмиране на роботите.

До края на този курс участниците ще могат да:

• Разберат ключовите концепции, използвани в роботните технологии.
• Разберат и управляват взаимодействието между софтуера и хардуера в роботна система.
• Разберат и имплементират софтуерните компоненти, които са основа на роботиката.
• Създават и управляват симулиран механичен робот, който може да вижда, чувства, обработва, навигацира и взаимодейства с хора чрез глас.
• Разберат необходимите елементи на изкуствен интелигент (машинно обучение, дълбоко обучение и др.), приложими за създаване на интелигентен робот.
• Имплементират филтри (Kalman и Particle) за да позволяват на робота да намери движещи се предмети в средата му.
• Имплементират алгоритми за търсене и планиране на движение.
• Имплементират PID регулатори за регулиране на движението на робота в средата.
• Имплементират SLAM алгоритми, за да позволяват на робота да картира непознат среда.
• Разширяват възможностите на робота да изпълнява сложни задачи чрез Deep Learning.
• Тестват и отстраняват грешки в робота в реалистични сценарии.

В този курс с инструктор, провеждан на живо (България онлайн или на място), участниците ще научат различните технологии, фреймворки и техники за програмиране на различни типове роботи, които се използват в областта на ядрената технология и екологичните системи.

Курсът продължава 4 седмици и се провежда 5 дни в седмицата. Всеки ден е с продължителност 4 часа и включва лекции, дискусии и практическо разработване на роботи в живо лабораторно окружение. Участниците ще изпълнят различни реални проекти, приложими към тяхната работа, за да практикуват придобитите знания.

Целта на курса е да се симулира в 3D чрез софтуер за симулации. Кода ще бъде зареден на физическо оборудване (Arduino или друго) за финално тестване на развертяването. За програмиране на роботите ще се използват открит кодов фреймворк ROS (Robot Operating System), C++ и Python.

До края на обучението участниците ще могат да:

• Разберат ключовите концепции, използвани в роботната технология.
• Разберат и управляват взаимодействието между софтуер и хардуер в роботна система.
• Разберат и имплементират софтуерните компоненти, които подкрепят роботика.
• Създадат и експлоатират симулиран механичен робот, който може да вижда, чувства, обработва, навигация и взаимодейства с хора чрез глас.
• Разберат необходимите елементи на изкуствен интелигент (машинно обучение, дълбоко обучение и т.н.), приложими за създаване на умен робот.
• Имплементират филтри (Kalman и Particle), за да позволи на робота да намери движещи се обекти в неговата среда.
• Имплементират алгоритми за търсене и планиране на движение.
• Имплементират PID контроли, за да регулират движението на робота в средата.
• Имплементират SLAM алгоритми, за да позволи на робота да картира непозната среда.
• Тестват и отстраняват грешки при робота в реалистични сценарии.