کتاب تخصصی پردازش زمان واقعی برای ربات‌های هوشمند Embodied AI: از پایه تا پیشرفته با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

249,950 تومان
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تخصصی پردازش زمان واقعی برای ربات‌های هوشمند Embodied AI: از پایه تا پیشرفته

موضوع کلی: هوش مصنوعی Embodied

موضوع میانی: پردازش زمان واقعی در هوش مصنوعی Embodied

📋 سرفصل‌های دوره

  • 1. مقدمه بر پردازش زمان واقعی در هوش مصنوعی Embodied
  • 2. اصول پایه هوش مصنوعی Embodied و نقش زمان واقعی
  • 3. معمارای سیستم‌های Embodied: حسگر، عملگر و واحد محاسبه
  • 4. مفاهيم latency، jitter و throughput در سیستم‌های زمان واقعی
  • 5. معیارهای عملکرد برای پردازش زمان واقعی
  • 6. معرفی سیستم‌های عامل زمان واقعی (RTOS)
  • 7. مقایسه RTOS populares: FreeRTOS, Zephyr, VxWorks
  • 8. برنامه‌نویسی چند رشته‌ای در RTOS
  • 9. مدیریت منابع و زمان‌بندی کارها (scheduling)
  • 10. الگوریتم‌های زمان‌بندی: Rate Monotonic, Earliest Deadline First
  • 11. تجزیه و تحلیل قابلیت زمانبندی (schedulability analysis)
  • 12. استفاده از Linux با پچ PREEMPT_RT برای زمان واقعی
  • 13. تنظیم پارامترهای هسته Linux برای کاهش latency
  • 14. ابزارهای profiling و tracing: ftrace, LTTng, perf
  • 15. مدل‌سازی سیستم‌های زمان واقعی با UML و SysML
  • 16. شبیه‌سازی latency با ابزارهای مثل QEMU و Simulink
  • 17. پردازش سیگنال حسگر در زمان واقعی: فیلترینگ و استخراج ویژگی
  • 18. ترکیب داده‌های چند حسگر (sensor fusion) در زمان واقعی
  • 19. 卡尔مان فیلتر و نسخ‌های گسترش یافته برای estimating state
  • 20. پردازش تصویر در زمان واقعی با OpenCV و GPU
  • 21. استفاده از TensorRT برای استنتاج مدل深層 یادگیری در زمان واقعی
  • 22. بهینه‌سازی مدل‌های DNN برای latency کم (quantization, pruning)
  • 23. استنتاج مدل‌های یادگیری تقویتی در ربات‌های Embodied
  • 24. کنترل پایبند در زمان واقعی: PID و کنترل پیش‌بینی
  • 25. کنترل مبتنی بر Model Predictive Control (MPC) در زمان واقعی
  • 26. integrality of ROS 2 برای برنامه‌های روباتیک زمان واقعی
  • 27. استفاده از ROS 2 با دامن زمان واقعی (ROS 2 Real-Time)
  • 28. ایجاد نودهای زمان واقعی در ROS 2 و مدیریت زمان
  • 29. ارتباط DDS و QoS برای ضمانت latency
  • 30. بهینه‌سازی stack ارتباطی در ROS 2 برای کاهش تأخير
  • 31. استفاده از DDS Security برای ارتباطات ایمن در روبات‌های زمان واقعی
  • 32. پیاده‌سازی حلقه کنترل闭环 بر روی میکروکنترلر ARM Cortex-M
  • 33. استفاده از FPGA برای تسریع پردازش حسگر و کنترل
  • 34. طراحی pipeline پردازش تصویر روی FPGA با HLS
  • 35. استفاده از GPU نVIDIA Jetson برای پردازش زمان واقعی
  • 36. بهینه‌سازی حافظه و bandwidth در Jetson برای latency کم
  • 37. استفاده از حافظه condivisa و zero-copy برای انتقال داده
  • 38. مدیریت حرارت و throttling در سیستم‌های embarced
  • 39. تست و اعتبارسنجی زمان واقعی: تست‌های stress و fault injection
  • 40. ابزارهای تست latency: cyclictest, rt-tests
  • 41. تحلیل اثرات interrupt و preemption بر latency
  • 42. طراحی سیستم‌های fault-tolerant برای روبات‌های Embodied
  • 43. ایمنی функціонаل در سیستم‌های زمان واقعی (ISO 26262, IEC 61508)
  • 44. استفاده از watchdog و مکانیزم‌های بازیابی در زمان واقعی
  • 45. بهینه‌سازی مصرف انرژی در پردازش زمان واقعی
  • 46. تکنیک‌های نوسان فرکوانسی و مقیاس ولتاژ (DVFS) برای latency‑energy tradeoff
  • 47. پردازش صوت و گفتار در زمان واقعی برای tương tác انسان-روبوت
  • 48. پردازش زبان طبیعی در زمان واقعی روی دستگاه‌های embedded
  • 49. استفاده از مدل‌های transformer کم‌حجم برای inferencing زمان واقعی
  • 50. بهینه‌سازی inferencer برای transformer با TensorRT و ONNX Runtime
  • 51. کار با دوربین‌های profundidad و LiDAR در زمان واقعی
  • 52. ترکیب داده‌های Lidar و camera برای SLAM در زمان واقعی
  • 53. اجرای SLAM با بسته‌های RTAB-Map و GMapping در حالت زمان واقعی
  • 54. مسیر یافتن و planowanie مسیر در زمان واقعی (Dijkstra, A*, RRT*)
  • 55. کنترل مسیر با بازخورد حسگر در زمان واقعی
  • 56. استفاده از یادگیری تقویتی عمیق برای سیاست‌های کنترل زمان واقعی
  • 57. آموزش سیاست‌های کنترل در شبیه‌سازی و انتقال به سخت‌افزار (Sim2Real)
  • 58. بهینه‌سازی pipeline آموزش برای کاهش زمان آموزش (mixed precision, gradient checkpointing)
  • 59. استفاده از ابزارهای مانیتورینگ زمان واقعی در تشغيل (Grafana, Prometheus)
  • 60. لاگ و تحلیل رویدادهای زمان واقعی در سیستم‌های embedded
  • 61. به‌روزرسانی OTA firmware در روبات‌های زمان واقعی بدون downtime
  • 62. تستRegression و CI/CD برای کد زمان واقعی
  • 63. استفاده از ابزارهای formal verification برای ضمانت ویژگی‌های زمان واقعی
  • 64. پیاده‌سازی سیستم‌های multi-robot coordination در زمان واقعی
  • 65. توزیع consensus و برقراری synchronize بین روبات‌ها
  • 66. مدیریت network latency در تیم‌های روبات‌های بی‌سیم
  • 67. استفاده از 5G و edge computing برای پردازش زمان واقعی ابری
  • 68. بهینه‌سازی مدار PCB برای کاهش parasitic delay
  • 69. انتخاب اجزاء سخت‌افزاری مناسب (MCU, SoC, FPGA) برای latency هدف
  • 70. مطالعه موردی: روبات سرویس خانگی با پردازش زمان واقعی
  • 71. مطالعه موردی: روبات صنعتی برای montage دقیق
  • 72. مطالعه موردی: خودران خودرانا با پردازش زمان واقعی
  • 73. به‌ویژه آینده: چایپ‌های neuromorphic و پردازش زمان واقعی
  • 74. Integrating quantum sensing برای بهبود دقت حسگر در زمان واقعی
  • 75. بررسی ética و مسئولیت در هوش مصنوعی Embodied زمان واقعی
  • 76. راهنمای خرید و ساخت کیت آموزش پردازش زمان واقعی برای دانشجویان
  • 77. پروژه capstone: ساخت روبات تعاونی با latency <1ms
  • 78. ارزیابی پروژه و ارائه نتایج
  • 79. منابع پیش‌もっと مطالعه: کتاب‌ها، مقالات، کنفرانس‌ها
  • 80. آزمون نهایی و ارزیابی مهارت‌ها
تگ‌ها: deep learning edge computing Embodied AI FPGA latency optimization real-time OS real-time processing ROS2 TensorRT پردازش زمان واقعی روباتیک هوش مصنوعی Embodied

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.