AI for Robotics Pelatihan Daring di Indonesia

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.

Robotika adalah bidang dalam kecerdasan buatan (AI) yang mengurus pemrograman dan perancangan mesin cerdas dan efisien.

Pelatihan ini yang dibimbing instruktur (online langsung atau langsung tatap muka) ditujukan bagi insinyur yang ingin memprogram dan membuat robot melalui metode AI dasar.

Di akhir pelatihan ini, peserta akan dapat:

• Mengimplementasikan filter (Kalman dan particle) untuk memungkinkan robot melacak objek bergerak dalam lingkungan.
• Mengimplementasikan algoritma pencarian dan perencanaan gerakan.
• Mengimplementasikan kontrol PID untuk mengatur gerakan robot dalam lingkungan.
• Mengimplementasikan algoritma SLAM untuk memungkinkan robot membuat peta lingkungan yang tidak diketahui.

Format Pelatihan

• Diskusi dan pertanyaan interaktif.
• Banyak latihan dan praktek.
• Implementasi langsung dalam lingkungan lab langsung.

Opsi Penyesuaian Pelatihan

• Untuk meminta pelatihan yang disesuaikan untuk pelatihan ini, silakan hubungi kami untuk mengatur.

Dalam pelatihan online langsung atau pelatihan langsung tatap muka ini yang dipimpin instruktur, peserta akan mempelajari berbagai teknologi, kerangka kerja, dan teknik untuk memprogram berbagai jenis robot yang digunakan dalam bidang teknologi nuklir dan sistem lingkungan.

Kursus selama 6 minggu diadakan 5 hari seminggu. Setiap hari berlangsung selama 4 jam dan terdiri dari kuliah, diskusi, dan pengembangan robot secara praktis dalam lingkungan laboratorium langsung. Peserta akan menyelesaikan berbagai proyek dunia nyata yang relevan dengan pekerjaan mereka untuk mempraktikkan pengetahuan yang diperoleh.

Perangkat keras target untuk kursus ini akan disimulasikan dalam 3D melalui perangkat lunak simulasi. Kerangka kerja open-source ROS (Robot Operating System), C++ dan Python akan digunakan untuk memprogram robot.

Di akhir pelatihan ini, peserta akan dapat:

• Memahami konsep kunci yang digunakan dalam teknologi robot.
• Memahami dan mengelola interaksi antara perangkat lunak dan perangkat keras dalam sistem robot.
• Memahami dan menerapkan komponen perangkat lunak yang mendukung robotika.
• Membangun dan mengoperasikan robot mekanik simulasi yang dapat melihat, merasakan, memproses, menavigasi, dan berinteraksi dengan manusia melalui suara.
• Memahami unsur-unsur penting dari kecerdasan buatan (machine learning, deep learning, dll.) yang relevan untuk membangun robot cerdas.
• Menerapkan filter (Kalman dan Particle) untuk memungkinkan robot menemukan objek bergerak dalam lingkungannya.
• Menerapkan algoritma pencarian dan perencanaan gerakan.
• Menerapkan kontrol PID untuk mengatur gerakan robot dalam lingkungan.
• Menerapkan algoritma SLAM untuk memungkinkan robot membuat peta lingkungan yang tidak dikenal.
• Mengembangkan kemampuan robot untuk melaksanakan tugas kompleks melalui Deep Learning.
• Menguji dan memperbaiki robot dalam skenario nyata.

Dalam pelatihan online langsung atau pelatihan langsung tatap muka ini yang dipimpin instruktur, peserta akan mempelajari berbagai teknologi, kerangka kerja, dan teknik untuk memprogram berbagai jenis robot yang akan digunakan di bidang teknologi nuklir dan sistem lingkungan.

Kursus 4 minggu ini diadakan 5 hari dalam seminggu. Setiap hari berlangsung selama 4 jam dan terdiri dari kuliah, diskusi, dan pengembangan robot tangan pertama di lingkungan lab langsung. Peserta akan menyelesaikan berbagai proyek dunia nyata yang dapat diterapkan dalam pekerjaannya untuk mempraktekan pengetahuan yang telah diperoleh.

Perangkat keras yang menjadi target kursus ini akan disimulasikan dalam 3D melalui perangkat lunak simulasi. Kemudian kode akan dimuat ke perangkat keras fisik (Arduino atau yang lain) untuk pengujian peluncuran akhir. Kerangka kerja open-source ROS (Robot Operating System), C++, dan Python akan digunakan untuk memprogram robot.

Setelah menyelesaikan pelatihan ini, peserta akan mampu:

• Memahami konsep kunci yang digunakan dalam teknologi robotik.
• Memahami dan mengelola interaksi antara perangkat lunak dan perangkat keras dalam sistem robot.
• Memahami dan menerapkan komponen perangkat lunak yang menjadi dasar robotik.
• Membangun dan mengoperasikan robot mekanik yang disimulasikan yang dapat melihat, merasakan, memproses, menavigasi, dan berinteraksi dengan manusia melalui suara.
• Memahami unsur-unsur penting kecerdasan buatan (machine learning, deep learning, dll.) yang dapat diterapkan untuk membangun robot cerdas.
• Menerapkan filter (Kalman dan Particle) agar robot dapat melacak objek bergerak dalam lingkungannya.
• Menerapkan algoritma pencarian dan perencanaan gerak.
• Menerapkan kontrol PID untuk mengatur pergerakan robot dalam lingkungan.
• Menerapkan algoritma SLAM agar robot dapat memetakan lingkungan yang tidak dikenal.
• Mengesankan dan memecahkan masalah robot dalam skenario nyata.