Formations à distance

Toutes nos formations sont accessibles à distance en classes virtuelles : accès à l'infrastructure de travaux pratiques, machines physiques, outils pédagogiques, échanges avec le formateur. N'hésitez pas à nous appeler pour réserver une formation ou pour participer aux serious games !

Financement FNE-Formation 2021

Toutes nos formations sont éligibles au FNE-formation 2021

Formation : Cycle certifiant : développeur robotique

Durée14 jours
Prix 8810 €
Code coursRT050
Inscription

Public:

Chefs de projets, ingénieurs et concepteurs robotiques

Objectifs:

Savoir concevoir un système robotique de la conception avec ROS jusqu'à la vision et détection et reconnaissance d'objets avec OpenCV et des solutions d'IA.

Connaissances préalables nécessaires:

Connaissance générale des systèmes d'informations, d'un langage de programmation comme python.

Validation des pré-requis

Validation des attentes

Programme détaillé de la formation


( logo acroreadTéléchargez le programme) :
Les objets connectésDéfinitions,applications,services : domotique, santé, loisirs.
L'internet des objets. Les acteurs et produits du marché
Bases embarquéesPlate-formes matérielles (Intel,Samsung) et logicielles. Les systèmes classiques android, IOS, systèmes embarqués : UI, Brillo, LiteOS
Kit de développement Galileo.Les modules Arduino.
CommunicationsProtocoles: mqtt, bluetooth, wifi, 3G/4G, etc ... Avec un autre objet : M2M, Avec le réseau internet : vers un serveur, vers le cloud.Les plate-formes IoT, définition de standards : OpenInterconnect Consortium. Mise en évidence avec AWS/IoT en mqtt sur websocket.
Traitement des donnéesTypes de données collectées. Données locales, limites.
Transfert et stockage sur une autre machine, dans le cloud ou sur internet. Analyse des données et fourniture de services associés
SécuritéTechniques de hacking des objets connectés. Protection par vpn. Authentification et autorisations. Protection des données, législation
Conception robotique avec ROSPrésentation de ROS (Robot Operating System), historique, contraintes, fonctionnalités, licence.
Objectifs des créateurs de ROS.
Point sur les dernières distributions de ROS.
Tour d'horizon des robots compatibles.
Exemples d'utilisation de ROS.
ArchitecturePrincipe de fonctionnement de ROS : modularité, légèreté, compatibilité
Les différents éléments : les noeuds, le master, les topics, les messages, les services
L'organisation des fichiers, l'installation : les packages, les stacks
Présentation des packages disponibles.
Mise en oeuvreInstallation sur Ubuntu.
Configuration de l'environnement.
Présentation du filesystem ROS et de roscd, eosis, rospack
Premier pas : création d'un package.
Gestion des noeuds : utilisation de roscore, rosnode et rosrun.
Création de topics et de services.
DéveloppementProgrammation en python d'outils de publication et réception de messages (topics),
et de services et clients simples.
ExploitationUtilisation de fichiers .bag pour stocker des messages et les réutiliser
Gestion des dépendances entre packages
Exécution de ROS sur une infrastructure de plusieurs serveurs.
Extensions Présentation des librairies principales
Positionnement PythonBesoins des data-scientist:calculs, analyse d'images, machine learning, interface avec les bases de données
Apports de python:grande variété d'outils, expertise dans le domaine du calcul scientifique
Tour d'horizon des outils:
pandas, agate, bokeh, scikit-learn, pybrain, tensorflow, keras, mxnet, caffe
Calculs et graphiquesNumPy : Base du calcul sur des tableaux
SciPy : Scientific Tools for Python, couche scientifique
Manipulation de tableaux, fonctions mathématiques.
Représentation graphique avec basemap et matplotlib.
Mise en oeuvre de SciPy/NumPy : manipulation d'images, détection de contours
Manipulation de données relationnellesPandas : manipulation de tables de données
Tableaux avec Pandas: indexation, opérations, algèbre relationnelle
Stockage dans des fichiers: CSV, h5py, netCDF
Comparaison et performances Pandas / NumPy
Machine learning et deep learningPrésentation de TensorFlow,scikit-learn,keras,mxnet,caffe
TensorFlow:principe de fonctionnement, plate-formes supportées, distribution,
APIs fournies en standard, modèles d'apprentissage
Projet scikit-learn:classification, régression, validation de modèles prédictifs.
Démonstrations avec les modèles fournis par scikit-learn
Positionnement et comparaison avec Keras, mxnet, caffe
Computer Vision avec OpenCVPrésentation OpenCV
Historique, fonctionnalités, versions, licence
Site de référence, documentation disponible
Principes de base de la vision par ordinateur
Positionnement OpenCV par rapport aux autres solutions du marché
Mise en pratique OpenCVInstallation d'OpenCV.
Exemples simples:lecture, affichage, enregistrement d'images
Manipulation d'imagesbases de traitement d'images :
Opération sur les matrices.
les espaces de couleurs : CMYB, HSV, niveaux de gris;
la segmentation d'images;
Exemple de seuillage avec OpenCV
Conversion d'une image en binaire
Histogramme d'une image.
Les opérateurs binaires (NO, AND, OR, XOR):
utilisation pour la fusion d'images
Classificateurs et IAPrincipe, différens classificateurs disponibles avec OpenCV
Exemples : détection de formes, de contours, de visages
Deep Learning avec PyTorch
Classification d'images
Détection d'objets
Analyse d'images avec TensorFlow et KerasHistorique du projet TensorFlow
Fonctionnalités
Architecture distribuée, plate-formes supportées
Premiers pas avec TensorFlowInstallation de TensorFlow,
Principe des tenseurs, caractéristiques d'un tenseur: type de données, dimensions
Définition de tenseurs simples,
Gestion de variables et persistance,
Représentation des calculs et des dépendances entre opérations par des graphes
Optimisation des calculsCalculs distribués : différents types de stratégies (synchrone ou asynchrone),
avec stockage centralisé des données ou dupliqué sur différents cpu
Distribution sur des GPUs
Utilisation de TPUs
Travaux pratiques sur une plateforme multi-GPU (RIG)
Présentation des RNPrincipe des réseaux de neurones
Descente de gradient
Multi-Layer Perceptron
Présentation de KerasConception d'un réseau de neurones
Différents types de couches: denses, convolutions, activations
Construction d'un modèle complexe
Prédictions et validation d'un modèle
Classification d'images avec KerasNotion de classification, cas d'usage
Architectures des réseaux convolutifs, réseaux ImageNet
RCNN et SSD
Démonstrations sur les convolutions
Optimisation d'un modèleVisualisation avec Tensorboard
Optimisation des couches de convolutions
Choix des hyper-paramètres avec Keras et Keras Tuner
Utilisation de checkpoints
Simulation avec GazeboPrésentation du projet Gazebo, licence, versions
Fonctionnalités: simulation d'un robot physique avec interactions avec l'environnement
Modèles de robots disponibles
Compatibilité avec ROS et Player
Exemples d'utilisation: compétitions DARPA, NASA, etc ..
Mise en oeuvrePrérequis techniques
Installation sur Ubuntu
Configuration des variables d'environnement
Architecture de Gazebo : Master, bibliothèques de communication, physiques, visualisation 3D, etc ...
Moteurs utilisés : ODE, Bullet, Simbody, DART
Premiers pas : utilisation de l'interface graphique,
choix de modèles, gestion de l'environnement
Modèles, robotsUtilisation du Model Editor pour construire des modèles
Construction de véhicules, ajout de capteurs, de plugins
Utilisation des modèles, création de robots,traitement des données des capteurs,gestion de l'environnement physique
ExtensionsIntégration des packages ROS : gazebo_ros_pkgs pour simuler un robot avec gazebo en utilisant les messages, services de ROS.
Simulation sur AWS avec CloudSim

Modalités et délais d'accès
Méthodes mobilisées