AI Robotica Cursus

Les 1 • Kernconcepten van AI voor Robotica

Introduceert machine learning, redeneren en perceptie zoals toegepast op robots. Verbindt AI-theorie direct met robotgedrag en besluitvorming.

Les 2 • Ethiek en Veiligheid in AI-Robotica

Onderzoekt verantwoordelijkheid, vooroordelen en veiligheidsnormen in autonome systemen. Legt een ethische lens vast die consequent in alle hoofdstukken wordt toegepast.

Les 3 • Typen Robots en Gebruiksscenario's

Behandelt mobiele, manipulator-, collaboratieve en zachte robots. Kadert domeinspecifieke toepassingen in die studenten gedurende de cursus tegenkomen.

Les 4 • Geschiedenis en Evolutie van Robotica

Tracht robotica van mechanische automaten naar autonome systemen. Biedt een tijdlijncontext die alle volgende technische concepten verankert.

Les 1 • Calculus en Optimalisatie

Bespreekt afgeleiden, gradiënten en optimalisatiemethoden die in leer-algoritmen worden gebruikt. Bereidt studenten voor op gradiëntgebaseerde training in neurale netwerkhoofdstukken.

Les 2 • Meetkunde en Ruimtelijk Redeneren

Behandelt coördinatenstelsels, rotaties en homogene coördinaten voor 3D-ruimte. Essentieel voor het weergeven van robotposities en padplanning.

Les 3 • Essentiële Lineaire Algebra

Behandelt vectoren, matrices en transformaties die centraal staan in robotkinematica. Ondersteunt direct coördinatenstelselberekeningen in latere hoofdstukken.

Les 1 • Voorwaartse Kinematica

Leidt de positie van het eindeffect af uit gewrichtsparameters met behulp van de Denavit-Hartenberg-notatie. Legt de computationele basis voor al het bewegingsplanningswerk.

Les 2 • Inverse Kinematica

Lost gewrichtsconfiguraties op uit gewenste eindeffectposities met behulp van analytische en numerieke methoden. Maakt direct doelgericht robotarm-besturing mogelijk.

Les 3 • Robotdynamica en Bewegingsvergelijkingen

Past Newton-Euler- en Lagrangiaanse formuleringen toe om krachten en koppels te modelleren. Biedt de natuurkundige basis voor controllerontwerp in het volgende onderdeel.

Les 4 • Baancurvenplanning en Interpolatie

Genereert vloeiende baancurves voor gewrichten en cartesische paden met behulp van polynoom- en splinemethoden. Verbindt kinematica met uitvoerbare bewegingscommando's.

Les 1 • Diep Leren voor Visuele Perceptie

Traint convolutionele neurale netwerken voor objectdetectie, segmentatie en diepteschatting. Verbindt visiemodellen met stroomafwaartse robotbesluitvorming.

Les 2 • Technieken voor Sensorfusie

Combineert multi-modale sensorstromen met behulp van Kalman- en deeltjesfilters. Produceert robuuste toestandsschattingen die de planning- en besturingsmodules voeden.

Les 3 • 3D-perceptie en Puntenwolkverwerking

Verwerkt LiDAR- en RGB-D-puntenwolken voor scènewaarneming en objectlokalisatie. Stelt robots in staat om 3D-structuur in ongestructureerde omgevingen te begrijpen.

Les 4 • Sensormodaliteiten en Data-acquisitie

Overziet LiDAR, camera's, IMU's en tactiele sensoren met hun ruiskarakteristieken. Creëert datakwaliteitsbewustzijn dat cruciaal is voor alle perceptie-algoritmen.

Les 1 • Graafgebaseerde SLAM

Formuleert SLAM als een pose-graafoptimalisatieprobleem en lost het op met niet-lineaire kleinste kwadraten. Maakt globaal consistente grootschalige kartering mogelijk.

Les 2 • Kaartbeheer en Langetermijnnavigatie

Behandelt dynamische omgevingen, kaartupdates en multi-sessie kartering. Bereidt studenten voor op real-world implementatie waar omgevingen in de loop van de tijd veranderen.

Les 3 • Kartering met Bezettingsrasters

Bouwt probabilistische 2D- en 3D-omgevingskaarten uit sensorgegevens. Biedt de kaartrepresentatie die wordt gebruikt in de hoofdstukken over padplanning.

Les 4 • Probabilistische Lokalisatie

Gebruikt Bayesiaanse filters om de robotpose te schatten op basis van sensorwaarnemingen. Fundeert al het volgende karteringswerk in rigoureuze toestandsschatting.

Les 1 • Potentiaalvelden en Reactieve Navigatie

Gebruikt aantrekkende en afstotende potentiaalvelden voor real-time obstakelvermijding. Vult globale planners aan met snelle lokale reactieve gedragingen.

Les 2 • Baancurveoptimalisatie

Optimaliseert baancurves voor vloeiendheid, tijd en energie met behulp van CHOMP en TrajOpt. Produceert dynamisch haalbare paden die klaar zijn voor uitvoering door de controller.

Les 3 • Zoekgebaseerde Planningsalgoritmen

Implementeert A*, Dijkstra en D* Lite op discrete grafen en rasters. Legt algoritmische planningsintuïtie vast voordat sampling-gebaseerde methoden worden geïntroduceerd.

Les 4 • Sampling-gebaseerde Bewegingsplanning

Past RRT, RRT* en PRM toe op hoogdimensionale configuratieruimten. Maakt planning voor robotarmen en mobiele platforms in rommelige scènes mogelijk.

Les 1 • Klassieke PID-regeling

Ontwerpt proportioneel-integrerend-differentiërende regelaars voor positie- en snelheidslussen. Biedt de besturingsbasislijn die door alle geavanceerde methoden in dit hoofdstuk wordt uitgebreid.

Les 2 • Kracht- en Impedantieregeling

Regelt contactkrachten en compliant gedrag voor manipulatie en menselijke interactie. Essentieel voor veilige bediening in contactrijke taken.

Les 3 • Robuuste en Adaptieve Regeling

Gaat om met modelonzekerheid en verstoringen met behulp van sliding mode en adaptieve schema's. Zorgt voor stabiele prestaties wanneer robotparameters variëren of onbekend zijn.

Les 4 • Hele-lichaams- en Multi-robot-regeling

Coördineert volledige-lichaamsbeweging voor lopende robots en taaktoewijzing over robotteams. Schaalt besturingsconcepten naar complexe systemen met meerdere vrijheidsgraden.

Les 1 • Veilig en Budget-Efficiënt RL

Past constrained RL, modelgebaseerd RL en meta-leren toe om de veiligheid en efficiëntie te verbeteren. Bereidt studenten voor op implementatie op echte hardware met beperkte proefbudgetten.

Les 2 • Simulatieomgevingen voor RL

Configureert natuurkundige simulatoren en robotomgevingen voor schaalbare RL-training. Behandelt de sim-to-real kloof die de implementatie van getrainde beleidsregels beperkt.

Les 3 • Diepe RL-algoritmen

Implementeert DQN, PPO, SAC en TD3 voor continue robotbesturingstaken. Biedt selectiecriteria voor algoritmen op basis van actieruimte en voorbeeldefficiëntie.

Les 4 • Imitatie- en Invers RL

Leert beleidsregels van expert-demonstraties met behulp van gedragsclonering en inverse RL. Vermindert de voorbeeldcomplexiteit voor complexe manipulatie-taken.