Plan du cours

Introduction à Edge AI in Autonomous Systems

  • Vue d'ensemble de l'Edge AI et de son importance dans les systèmes autonomes
  • Principaux avantages et défis de la mise en œuvre de l'Edge AI dans les systèmes autonomes
  • Tendances et innovations actuelles en matière d'Edge AI pour l'autonomie
  • Applications réelles et études de cas

Traitement en temps réel dans les systèmes autonomes

  • Principes fondamentaux du traitement des données en temps réel
  • Modèles d'IA pour la prise de décision en temps réel
  • Traitement des flux de données et fusion des capteurs
  • Exemples pratiques et études de cas

L'IA de pointe dans les véhicules autonomes

  • Modèles d'IA pour la perception et le contrôle des véhicules
  • Développement et déploiement de solutions d'IA pour la navigation en temps réel
  • Intégration de l'Edge AI dans les systèmes de contrôle des véhicules
  • Études de cas sur l'Edge AI dans les véhicules autonomes

L'Edge AI dans les drones

  • Modèles d'IA pour la perception et le contrôle du vol des drones
  • Traitement des données en temps réel et prise de décision dans les drones
  • Mise en œuvre de l'Edge AI pour le vol autonome et l'évitement des obstacles
  • Exemples pratiques et études de cas

L'Edge AI dans les Robotics

  • Modèles d'IA pour la perception et la manipulation robotiques
  • Traitement et contrôle en temps réel dans les systèmes robotiques
  • Intégration de l'Edge AI dans les architectures de contrôle robotique
  • Études de cas d'Edge AI en robotique

Développement de modèles d'IA pour les applications autonomes

  • Vue d'ensemble des modèles d'apprentissage automatique et d'apprentissage profond pertinents
  • Entraînement et optimisation des modèles pour le déploiement en périphérie
  • Outils et cadres pour l'Edge AI autonome (TensorFlow Lite, ROS, etc.)
  • Validation et évaluation des modèles dans des environnements autonomes

Déploiement de solutions Edge AI dans des systèmes autonomes

  • Étapes du déploiement de modèles d'IA sur différents matériels de périphérie
  • Traitement des données en temps réel et inférence sur les dispositifs périphériques
  • Surveillance et gestion des modèles d'IA déployés
  • Exemples pratiques de déploiement et études de cas

Considérations éthiques et réglementaires

  • Garantir la sécurité et la fiabilité des systèmes d'IA autonomes
  • Prise en compte des préjugés et de l'équité dans les modèles d'IA autonomes
  • Respect des réglementations et des normes dans les systèmes autonomes
  • Meilleures pratiques pour un déploiement responsable de l'IA dans les systèmes autonomes

Évaluation et optimisation des performances

  • Techniques d'évaluation des performances des modèles dans les systèmes autonomes
  • Outils de surveillance et de débogage en temps réel
  • Stratégies d'optimisation des performances des modèles d'IA dans les applications autonomes
  • Relever les défis de la latence, de la fiabilité et de l'évolutivité

Use Cases et applications innovantes

  • Applications avancées de l'Edge AI dans les systèmes autonomes
  • Études de cas approfondies dans divers domaines autonomes
  • Exemples de réussite et leçons tirées de l'expérience
  • Tendances et opportunités futures dans le domaine de l'Edge AI pour l'autonomie

Projets et exercices pratiques

  • Développement d'une application complète d'Edge AI pour un système autonome
  • Projets et scénarios du monde réel
  • Exercices de groupe en collaboration
  • Présentations de projets et retour d'information

Résumé et prochaines étapes

Pré requis

  • Compréhension des concepts de l'IA et de l'apprentissage automatique
  • Expérience des langages de programmation (Python recommandé)
  • Familiarité avec la robotique, les systèmes autonomes ou les technologies connexes.

Public

  • Ingénieurs Robotics
  • Développeurs de véhicules autonomes
  • Chercheurs en IA
 14 Heures

Nombre de participants


Prix ​​par Participant

Cours à venir

Catégories Similaires