Das CAS Physical AI & Robotics bietet eine umfassende, praxisorientierte Einführung in die Konzeption, den Bau und den Einsatz intelligenter Maschinen. Es deckt den gesamten Bereich ab – von den Grundlagen der Mechanik und Elektrotechnik bis hin zu Software, KI und Autonomie – und legt dabei besonderen Wert auf Robustheit im praktischen Einsatz, Systemintegration und verantwortungsvollen Umgang.
Zielpublikum:Dieses Programm richtet sich an Fachleute, die:
- über einen Abschluss in Ingenieurwissenschaften oder Naturwissenschaften verfügen (z. B. Elektrotechnik, Maschinenbau, Mechatronik, Informatik, Datenwissenschaft, Physik, Systemtechnik) und möglicherweise wenig oder nur teilweise Vorkenntnisse in den Bereichen KI oder Robotik haben.
- in einem für die physikalische KI relevanten Bereich (Hardware, Software oder maschinelles Lernen) tätig sind und die ergänzenden Fähigkeiten erwerben möchten, die zum Verständnis und zur Implementierung kompletter Robotersysteme erforderlich sind.
- einen Wechsel in den wachsenden Bereich der Robotik und der verkörperten KI anstreben und eine strukturierte, praxisorientierte Einführung benötigen, die mechanisches Design, Steuerung, Softwarearchitektur und moderne KI-Techniken umfasst.
Ziele:Am Ende des Programms werden die Teilnehmenden in der Lage sein:
- Über die Rolle als Nutzer von Robotersystemen hinauszuwachsen und zu Entwicklern zu werden, die Roboterfähigkeiten analysieren, erweitern und an neue Aufgaben und Umgebungen anpassen können, unabhängig davon, ob sie aus den Bereichen Hardware, Software oder maschinelles Lernen kommen.
- Roboterarbeitsbereiche und -aufgaben zu analysieren, geeignete (mobile) Roboter, Aktuatoren, Sensoren und Hardwarearchitekturen auszuwählen sowie die entsprechenden Steuerungsstrukturen und Echtzeit-Kommunikationssysteme zu entwerfen.
- Verschiedene Ansätze zum Aufbau intelligenter Robotersysteme, von Manipulatoren bis hin zu mobilen Robotern, zu verstehen und zu vergleichen sowie die Vor- und Nachteile klassischer und lernbasierter Methoden zu bewerten und zu erlernen, wie man das Beste aus beiden Welten nutzt.
- Robotersoftwaresysteme unter Verwendung des Robot Operating System (ROS), von Simulationen sowie verteilten oder cloudfähigen Architekturen zu entwerfen und zu implementieren, einschliesslich der Integration externer KI-Dienste.
- Vollständige Physical-AI-Systeme zu entwickeln (moderne KI, die auf einer Roboterplattform läuft und diese über ROS steuert), von agentenbasierten Ansätzen bis hin zu End-to-End-Lernen.
- Verstehen und anwenden moderne lernbasierte Methoden in der Robotik, nutzen bestärkendes Lernen und Foundation-Modelle für Navigation und Manipulation, feinstimmen Sie vortrainierte multimodale Modelle und bewerten die Grenzen sowie die Chancen und Risiken, die generative KI für autonome Robotersysteme mit sich bringt.
Inhalt:
Modul „Einführung“
- Physikalisches Design
- Computer und Server, Linux-Grundlagen, Python-Umgebungsmanagement, Docker
- Einführung in die KI, praktisches überwachtes Lernen, neuronale Netze, Deep Learning
- Grundlagen der Robotik-Software: ROS-Knoten und Grundlagen der Kommunikation
Modul „Roboterdesign, Aktoren, Sensoren und Steuerung (HW)“
- Kinematisches Design von Manipulatoren und mobilen Robotern, Koordinatentransformationen
- Aktuatoren: Motoren, Getriebe, Antriebssysteme
- Sensoren: Position, Geschwindigkeit, Kraft, Drehmoment
- Bewegungssteuerung
- Hardwarearchitektur und Feldbusse für Echtzeitkommunikation
Modul „Robotersoftwaresysteme und ROS (SW)“
- ROS-Grundlagen und -Architektur
- Robotermodelle, Visualisierung, Simulation
- Erstellung von ROS-Paketen
- Roboterpose, Koordinatentransformationssysteme
- SLAM, Navigation, Wahrnehmung
- Steuerung auf Softwareebene
- Bewegungsplanung und -ausführung für Roboterarme (MoveIt, Pick & Place, Task Constructor)
- Abwägungsprozesse
- Verteilte Robotik
Modul „Lernbasierte Robotik und verkörperte KI (ML)“
- Rolle von ML in Wahrnehmungs-Planungs-Steuerungs-Schleifen
- End-to-End-Lernen bei autonomen Robotern (inkl. autonomes Fahren)
- Diffusionsmodelle und generative Strategien in der Robotersteuerung, selbstüberwachtes Lernen
- Grundlagen des verstärkenden Lernens (RL) und Sim-to-Real-Transfer; modellfreies vs. modellbasiertes RL; RL für Manipulationsaufgaben
- Verkörperte Grundmodelle: Vision-Language-Action-Modelle (VLAs) / Large Behavior Models (LBMs)
- Simulationstools für das Lernen
