以人為本的物理AI：協作機器人與未來培訓

人工智慧（AI）結合機器學習、控制系統和感測器融合，創造出能自主感知、推理並採取行動的智慧機器。透過ROS 2、TensorFlow和OpenCV等現代工具，工程師現在可以設計能夠在真實環境中智慧導航、規劃和互動的機器人。

此為由講師主導的實作培訓（線上或線下），目標受眾為希望使用當前開源技術和框架開發、訓練及部署AI驅動的機器人社統的中階工程師。

完成本培訓後，參與者將能夠：

• 使用Python和ROS 2建立並模擬機器人行為。
• 實施卡爾曼濾鏡（Kalman Filters）和粒子濾鏡（Particle Filters）以進行定位和追蹤。
• 運用OpenCV套用電腦視覺技術，實現感知與物件檢測。
• 使用TensorFlow進行動作預測及基於學習的控制。
• 整合SLAM（同步定位與地圖構建），實現自主導航。
• 開發強化學習模型，以改善機器人的決策能力。

課程形式

• 互動式講授與討論。
• 使用ROS 2和Python進行實作。
• 在模擬及真實機器人環境中進行實務練習。

課程自訂選項

如需為此課程申請客製化培訓，請聯絡我們安排。

ROS 2（Robot Operating System 2）是一個開源框架，旨在支持開發複雜且可擴展的機器人應用。

本課程由講師現場指導，提供線上或線下培訓方式。適合具備中等級別的機器人工程師和開發人員，希望透過 ROS 2 實現自主導航與 SLAM（即時定位與地圖構建）。

完成本培訓後，學員將能夠：

• 設置並配置用於自主導航應用的 ROS 2。
• 實現用於地圖構建與定位的 SLAM 演算法。
• 將雷射雷達（LiDAR）和攝影機等感測器整合至 ROS 2。
• 在 Gazebo 中模擬並測試自主導航。
• 在實體機器人上部署導航棧。

課程形式

• 互動式講授與討論。
• 使用 ROS 2 工具和模擬環境進行實作練習。
• 在虛擬或實體機器人上進行實地實驗室實施與測試。

課程客製化選項

• 如需為本課程申請客製化培訓，請聯繫我們以安排。

OpenCV 是一個開源的計算機視覺庫，支援實時影像處理。TensorFlow 等深度學習框架則提供工具，讓機器人系統具備智能感知與決策能力。

本課程由講師親自指導，提供線上或線下培訓。對象為中級機器人工程師、計算機視覺從業人員以及希望將計算機視覺和深度學習技術應用於機器人感知與自主性的機器學習工程師。

完成培訓後，學員能夠：

• 使用 OpenCV 實作計算機視覺管線。
• 整合深度學習模型以進行物件偵測與辨識。
• 利用基於視覺的數據實現機器人控制與導航。
• 結合經典視覺演算法與深度神經網路。
• 在嵌入式與機器人平台上部署計算機視覺系統。

課程形式

• 互動式講座與討論。
• 使用 OpenCV 和 TensorFlow 進行實作練習。
• 在模擬或實體機器人系統上進行實驗室實作。

課程客製化選項

• 如需為此課程申請客製化培訓，請聯繫我們以安排。

機器人或聊天機器人就像電腦助理，用於在各個通訊平台上自動化使用者互動，加快完成任務的速度，而無需使用者與真人對話。

在由講師引導的實作培訓中，學員將透過使用機器人開發工具和框架建立範例聊天機器人的步驟，學習如何開始進行聊天機器人的開發。

完成此培訓後，學員將能夠：

• 了解不同類型的機器人及其應用
• 掌握機器人的完整開發流程
• 探索建構機器人所使用的各種工具和平台
• 為 Facebook Messenger 建立範例聊天機器人
• 使用 Microsoft Bot Framework 建立範例聊天機器人

受訓對象

• 希望自行建立機器人的開發人員

課程形式

• 講授、討論、練習與大量實作

邊緣AI使人工智慧模型能夠直接在嵌入式或資源受限的設備上運行，減少延遲和功耗，同時提高機器人社系統的自主性和隱私性。

此課程為講師主導型培訓（線上或線下），針對具備中階程度的嵌入式開發人員及機器人工程師設計，協助其使用TinyML與邊緣AI框架，在機器人硬體上直接實現機器學習推論與最佳化技術。

完成本課程後，學員將能夠：

• 理解TinyML與邊緣AI在機器人領域的基本原理。
• 轉換並部署適用於裝置端推論的AI模型。
• 針對速度、體積及能源效率進行模型最佳化。
• 將邊緣AI系統整合至機器人控制架構中。
• 在真實情境中評估效能與準確度。

課程形式

• 互動式講授與討論。
• 運用TinyML及邊緣AI工具鏈進行實作練習。
• 在嵌入式與機器人硬體平台上執行實務操作。

課程客製化選項

• 如需此課程的客製化培訓，請聯繫我們以便安排。

人機互動（HRI）：語音、手勢與協同控制是一門實作課程，旨在介紹如何設計和實現直覺的人機通訊介面。該培訓結合理論、設計原則及程式編寫實踐，利用語音、手勢及共享控制技術，建立自然且具反應性的互動系統。參與者將學習如何整合感知模組，開發多模態輸入系統，並設計能與人類安全協作的機器人。

此培訓由講師現場指導，提供線上或線下兩種模式。目標受眾為初級至中級的參與者，他們希望設計並實施能提升可用性、安全性及使用者體驗的人機互動系統。

完成本培訓後，參與者將能夠：

• 了解人機互動的基礎與設計原則。
• 為機器人開發基於語音的控制與回應機制。
• 利用電腦視覺技術實現手勢識別。
• 設計安全共享自主的協同控制系統。
• 從可用性、安全性及人為因素等角度評估人機互動系統。

課程格式

• 互動式講授與示範。
• 實作程式編寫與設計練習。
• 在模擬或真實機器人環境中的實用實驗。

課程客製化選項

• 如需此課程的客製化培訓，請聯繫我們以進行安排。

工業機器人自動化：ROS-PLC整合與數位雙生是一門實作導向課程，著重於串連工業自動化與現代機器人框架。學員將學習如何將基於ROS的機器人系統與可程式化邏輯控制器（PLC）整合以實現同步運作，並探索數位雙生環境來模擬、監控及最佳化生產流程。本課程強調利用實體系統的數位分身實現互通性、即時控制與預測分析。

此為講師引導式的現場培訓（線上或線下），旨在幫助中階專業人士建立連接ROS控制機器人与PLC環境，以及實施數位雙生以優化自動化與製造的實務技能。

完成本培訓後，學員將能夠：

• 理解ROS與PLC系統間的通訊協定。
• 實現機器人與工業控制器之間的即時資料交換。
• 開發用於監控、測試及流程模擬的數位雙生。
• 在工業工作流程中整合感測器、執行器和機械臂。
• 使用混合模擬環境設計並驗證工業自動化系統。

課程形式

• 互動式講授與架構 walkthrough。
• 整合ROS和PLC系統的實作練習。
• 模擬與數位雙生專案實施。

課程客製化選項

• 如需為此課程申請客製化培訓，請聯繫我們以安排。

這門在澳門（線上或線下）舉行的講師指導實作培訓課程，旨在讓工程師學習人工智慧在機電系統中的應用。

完成此課程後，學員將能夠：

• 概觀人工智慧、機器學習和計算智能。
• 理解神經網路的概念與不同學習方法。
• 針對實際問題有效選擇人工智慧解決方案。
• 在機電工程中實現AI應用。

多機器人系統與蜂群智慧是一门進階培訓課程，探討受生物群體行為啟發的機器人社群的設計、協調與控制。學員將學習如何建立互動模型、實施分散式決策，並優化多個代理之間的協作。本課程結合理論與實作模擬，為學員準備應用於物流、國防、搜尋救援及自主探索等領域的能力。

此課程由講師親自指導的培訓形式提供（線上或線下），目標對象為希望使用開源框架和演算法設計、模擬並實現多機器人和蜂群系統的進階專業人士。

完成本培訓後，學員將能夠：

• 理解蜂群智慧與協同機器人學的基礎原理與動態特性。
• 為多機器人系統設計溝通與協調策略。
• 實施分散式決策與共識演算法。
• 模擬群體行為，如編隊控制、鳥群效應及覆蓋演算法。
• 將蜂群技術應用於現實場景與最佳化問題。

課程格式

• 高階講授，深入探討演算法細節。
• 在 ROS 2 和 Gazebo 中進行實作編碼與模擬。
• 應用蜂群智慧原理的協作專案。

課程客製化選項

• 如需本課程的客製化培訓，請聯絡我們安排。

这堂澳門的讲师亲自指导培训（线上或线下）旨在为高级机器人工程师和AI研究人员提供培训，帮助他们利用多模态AI整合各种感官数据，创建能看、听、触且更自主高效的机器人。

完成培训后，参与者将能够：

• 在机器人系统中实现多模态感知。
• 开发用于传感器融合和决策的AI算法。
• 创建能在动态环境中执行复杂任务的机器人。
• 应对实时数据处理和执行中的挑战。

本課程為講師主導的培訓 澳門（線上或線下），專為希望提升設計、編程及部署智能機器人系統以用於自動化及其他領域技能的初階以上學員而設。

完成本培訓後，學員將能夠：

• 掌握物理AI的原理及其在機器人與自動化的應用。
• 為動態環境設計並編程智能機器人系統。
• 在機器人中實現用於自主決策的AI模型。
• 運用模擬工具進行機器人測試與優化。
• 解決感測器融合、即時處理及能源效率等挑戰。

使用 ROS 2 與 Docker 進行機器人實用快速原型設計是一門實作課程，旨在幫助開發者高效地建置、測試及部署機器人應用程式。學員將學習如何將機器人環境容器化、整合 ROS 2 套件，並利用 Docker 對可重現且具擴展性的模組化機器人系統進行原型設計。本課程強調靈活性、版本控制以及協作實踐，適合早期開發與創新團隊使用。

此課程為由講師主導的實時培訓（線上或線下），目標受眾為初級至中級參與者，希望利用 ROS 2 和 Docker 加速機器人開發流程。

完成本培訓後，學員將能夠：

• 在 Docker 容器內建置 ROS 2 開發環境。
• 在模組化、可重現的設定中開發和測試機器人原型。
• 使用模擬工具在硬體部署前驗證系統行為。
• 透過容器化的機器人專案有效協作。
• 將持續整合與部署概念應用於機器人管線中。

課程格式

• 互動式講座與示範。
• ROS 2 和 Docker 環境的實作練習。
• 著重於真實世界機器人應用程式的微型專案。

課程自訂選項

• 如需為本課程要求自訂培訓，請聯繫我們以安排。

強化學習（RL）是一種機器學習範式，其中代理透過與環境互動來學習做出決策。在機器人技術中，強化學習使自主系統能夠透過經驗和反饋發展出適應性控制和決策能力。

本課程由講師主導進行（線上或線下），針對希望設計、實施並將強化學習演算法部署於機器人應用中的進階級機器學習工程師、機器人研究人員及開發者。

完成本培訓後，參與者將能夠：

• 理解強化學習的原理與數學基礎。
• 實施Q-learning、DDPG和PPO等強化學習演算法。
• 使用OpenAI Gym和ROS 2將強化學習整合至機器人模擬環境中。
• 透過試錯讓機器人自主執行複雜任務。
• 利用PyTorch等深度學習框架優化訓練效能。

課程形式

• 互動式講授與討論。
• 使用Python、PyTorch和OpenAI Gym進行實作練習。
• 在模擬或實體機器人環境中進行實務操作。

課程客製化選項

• 如需為本課程申請客製化培訓，請聯繫我們以安排。

利用深度學習進行機器人手部操作與抓取是一門高級課程，將機器人控制與現代機器學習技術相結合。學員將探索如何利用深度學習提升機器人系統的感知、運動規劃和靈巧抓取能力。通過理論、模擬和實踐編程練習，本課程引導學員從基於感知的控制過端到端的政策學習以完成手部操作任務。

由講師主導的實時培訓（線上或線下）面向希望將深度學習方法應用於實現智能、適應性強且精確的機器人操作的高級專業人員。

在培訓結束後，參與者將能夠：

• 為對象識別和姿態估計開發感知模型。
• 訓練用於抓取檢測和運動規劃的神經網絡。
• 使用ROS 2將深度學習模塊集成到機器人控制器中。
• 在虛擬環境中模擬和評估抓取和操作策略。
• 在真實或模擬的機械臂上部署並優化學習到的模型。

課程格式

• 專家主導的講座和算法深入探討。
• 實編程和模擬練習。
• 基於項目的實施和測試。

課程自定義選項

• 如需為本課程申請定制培訓，請聯繫我們進行安排。

智慧機器人是將人工智慧整合至機器人系統，以改善感知、決策和自主控制能力。

此課程為講師主導的實作培訓（線上或線下），主要對象為希望於智慧製造環境中實施 AI 驅動的感知、規劃與控制的進階級別機器人工程師、系統整合專家及自動化負責人。

完成本培訓後，參與者將能夠：

• 理解並應用人工智慧技術於機器人感知感測器融合。
• 開發協作型工業機器人的運動規劃演算法。
• 部署基於學習的控制策略以進行即時決策。
• 將智能機器人系統整合至智慧工廠工作流程中。

課程格式

• 互動式講授與討論。
• 大量練習與實作。
• 在實時實驗室環境中的實作演練。

課程客製化選項

• 如需此課程的客製化培訓，請聯繫我們以安排。