Autonomous Vehicles (AVs) Pelatihan Daring di Indonesia

Pelatihan langsung yang dipandu oleh instruktur ini, di Indonesia (online atau onsite), ditujukan bagi para profesional tingkat pemula yang ingin menjelajahi dilema etika dan kerangka hukum yang mengelilingi kendaraan otonom.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami implikasi etis dari pengambilan keputusan berbasis AI dalam kendaraan otonom.
• Menganalisis kerangka hukum dan kebijakan global yang mengatur mobil swakemudi.
• Memeriksa tanggung jawab dan akuntabilitas dalam kasus kecelakaan kendaraan otonom.
• Mengevaluasi keseimbangan antara inovasi dan keselamatan publik dalam undang-undang mengemudi otonom.
• Membahas studi kasus dunia nyata yang melibatkan dilema etika dan sengketa hukum.

Pelatihan langsung yang dipandu oleh instruktur ini, dalam Indonesia (online atau onsite), ditujukan bagi para profesional dan penggemar tingkat pemula yang ingin memahami konsep dasar, teknologi, dan aplikasi kendaraan otonom.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami komponen utama dan prinsip kerja kendaraan otonom.
• Menjelajahi peran AI, sensor, dan pemrosesan data real-time dalam sistem penggerak otomatis.
• Menganalisis berbagai tingkat otonomi kendaraan dan aplikasi dunia nyata mereka.
• Memeriksa aspek etika, hukum, dan peraturan mobilitas otonom.
• Mendapatkan pengalaman langsung dengan simulasi kendaraan otonom.

Pelatihan langsung yang dipandu oleh instruktur ini, dalam Indonesia (online atau onsite), ditujukan bagi insinyur jaringan tingkat menengah dan pengembang IoT otomotif yang ingin memahami dan menerapkan teknologi komunikasi V2X untuk kendaraan otonom.

Di akhir pelatihan ini, peserta akan mampu:

• Memahami konsep dasar komunikasi V2X.
• Menganalisis model komunikasi V2V, V2I, V2P, dan V2N.
• Menerapkan protokol V2X seperti DSRC dan C-V2X.
• Mengembangkan simulasi untuk lingkungan kendaraan terhubung.
• Mengatasi tantangan keamanan siber dan privasi dalam jaringan V2X.

Pelatihan langsung yang dipandu oleh instruktur ini, dalam Indonesia (online atau onsite), ditujukan bagi insinyur tingkat menengah, profesional otomotif, dan spesialis IoT yang ingin memahami peran sensor dalam mobil swakemudi, mencakup LiDAR, radar, kamera, dan teknik fusi sensor.

Di akhir pelatihan ini, peserta akan mampu:

• Memahami berbagai jenis sensor yang digunakan dalam kendaraan otonom.
• Menganalisis data sensor untuk persepsi kendaraan dan pengambilan keputusan secara real-time.
• Mengimplementasikan teknik fusi sensor untuk meningkatkan akurasi dan keselamatan kendaraan.
• Mengoptimalkan penempatan dan kalibrasi sensor untuk meningkatkan kinerja mengemudi otonom.

Pelatihan langsung yang dipimpin oleh instruktur ini, dalam Indonesia (online atau onsite), ditujukan bagi insinyur keselamatan tingkat lanjut dan profesional keselamatan otomotif yang ingin mengembangkan strategi keselamatan komprehensif untuk kendaraan otonom, termasuk analisis bahaya, penilaian keselamatan fungsional, dan kepatuhan terhadap standar internasional.

Pada akhir pelatihan ini, peserta akan dapat:

• Mengidentifikasi dan menilai risiko keselamatan yang terkait dengan sistem mengemudi otonom.
• Melakukan analisis bahaya dan penilaian risiko menggunakan standar industri.
• Menerapkan metode validasi dan verifikasi keselamatan untuk sistem AV.
• Menerapkan standar keselamatan fungsional, seperti ISO 26262 dan SOTIF.
• Mengembangkan strategi mitigasi risiko untuk tantangan keselamatan AV.

Pelatihan langsung yang dipandu instruktur ini, di Indonesia (online atau onsite), ditujukan bagi spesialis fusi sensor tingkat lanjut dan insinyur AI yang ingin mengembangkan algoritma fusi multi-sensor dan mengoptimalkan navigasi real-time dalam sistem otonom.

Pada akhir pelatihan ini, peserta akan mampu:

• Memahami fundamental dan tantangan fusi data multi-sensor.
• Mengimplementasikan algoritma fusi sensor untuk navigasi otonom real-time.
• Mengintegrasikan data dari LiDAR, kamera, dan RADAR untuk peningkatan persepsi.
• Menganalisis dan mengevaluasi kinerja sistem fusi dalam berbagai kondisi.
• Mengembangkan solusi praktis untuk pengurangan noise sensor dan penyelarasan data.

Pelatihan ini yang dipimpin instruktur secara langsung (online atau tatap muka) ditujukan bagi pengembang AI dan insinyur penglihatan komputer tingkat menengah yang ingin membangun sistem penglihatan yang kuat untuk aplikasi kendaraan berjalan sendiri.

Di akhir pelatihan ini, peserta akan dapat:

• Memahami konsep dasar penglihatan komputer di kendaraan berjalan sendiri.
• Mengimplementasikan algoritma untuk deteksi objek, deteksi jalur, dan segmen semantik.
• Mengintegrasikan sistem penglihatan dengan subsistem kendaraan berjalan sendiri lainnya.
• Mengaplikasikan teknik pembelajaran mendalam untuk tugas pengenalan tingkat lanjut.
• Menilai kinerja model penglihatan komputer di skenario dunia nyata.

Pelatihan langsung yang dipandu oleh instruktur ini, dalam format Indonesia (online atau onsite), ditujukan bagi para insinyur robotika tingkat lanjut dan peneliti AI yang ingin mengimplementasikan algoritma perencanaan jalur yang canggih untuk meningkatkan kinerja kendaraan otonom.

Di akhir pelatihan ini, peserta akan dapat:

• Memahami dasar-dasar teoritis dari algoritma perencanaan jalur tingkat lanjut.
• Mengimplementasikan algoritma seperti RRT*, A*, dan D* untuk navigasi real-time.
• Mengoptimalkan perencanaan jalur untuk penghindaran rintangan dan lingkungan dinamis.
• Mengintegrasikan algoritma perencanaan jalur dengan data sensor untuk meningkatkan akurasi.
• Mengevaluasi kinerja berbagai algoritma dalam skenario praktis.

Pelatihan ini yang diketuai instruktur secara langsung (online atau tatap muka) ditujukan untuk para ilmuwan data tingkat lanjut, ahli AI, dan pengembang AI otomotif yang ingin membangun, melatih, dan mengoptimalkan model AI untuk aplikasi kendaraan berdiri sendiri.

Pada akhir pelatihan ini, peserta akan mampu:

• Memahami dasar-dasar AI dan deep learning dalam konteks kendaraan berdiri sendiri.
• Menerapkan teknik komputer vision untuk deteksi objek real-time dan pemantauan jalur.
• Menggunakan reinforcement learning untuk pengambilan keputusan dalam sistem kendaraan berdiri sendiri.
• Mengintegrasikan teknik sensor fusion untuk percepsi dan navigasi yang lebih baik.
• Membangun model deep learning untuk memprediksi dan menganalisis skenario berjalan.