Cursos de AI for Robotics en Austin

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.

Esta formación en vivo, dirigida por un instructor en Austin (en línea o presencial), está destinada a participantes de nivel intermedio que desean explorar el papel de los robots colaborativos (cobots) y otros sistemas de IA centrados en el ser humano en los lugares de trabajo modernos.

Al finalizar esta formación, los participantes podrán:

• Comprender los principios de la Inteligencia Artificial Física Centrada en el Ser Humano y sus aplicaciones.
• Explorar el papel de los robots colaborativos para mejorar la productividad en el lugar de trabajo.
• Identificar y abordar desafíos en las interacciones hombre-máquina.
• Diseñar flujos de trabajo que optimicen la colaboración entre humanos y sistemas impulsados por IA.
• Promover una cultura de innovación y adaptabilidad en los lugares de trabajo integrados con IA.

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.

Esta formación en vivo (en línea o presencial) impartida por un instructor está dirigida a ingenieros avanzados de robótica e investigadores de IA que desean utilizar la IA Multimodal para integrar diversos datos sensoriales y crear robots más autónomos y eficientes que puedan ver, escuchar y tocar.

Al finalizar esta formación, los participantes podrán:

• Implementar sensores multimodales en sistemas robóticos.
• Desarrollar algoritmos de IA para la fusión de sensores y toma de decisiones.
• Crear robots que puedan realizar tareas complejas en entornos dinámicos.
• Abordar desafíos en el procesamiento en tiempo real y la actuación.

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.

Esta formación en vivo dirigida por un instructor en Austin (en línea o presencial) está orientada a participantes de nivel intermedio que desean mejorar sus habilidades en el diseño, programación y puesta en marcha de sistemas robóticos inteligentes para la automatización y más allá.

Al finalizar esta formación, los participantes podrán:

• Comprender los principios de la Inteligencia Artificial Física (Physical AI) y sus aplicaciones en robótica y automatización.
• Diseñar y programar sistemas robóticos inteligentes para entornos dinámicos.
• Implementar modelos de IA para la toma de decisiones autónomas en robots.
• Utilizar herramientas de simulación para el testing y optimización robótica.
• Abordar desafíos como la fusión de sensores, el procesamiento en tiempo real y la eficiencia energética.

La robótica es un área de la inteligencia artificial (IA) que se ocupa de la programación y el diseño de máquinas inteligentes y eficientes.

Este entrenamiento dirigido por un instructor (en línea o en persona) está orientado a ingenieros que deseen programar y crear robots mediante métodos básicos de IA.

Al finalizar este entrenamiento, los participantes podrán:

• Implementar filtros (Kalman y partículas) para que el robot pueda localizar objetos en movimiento en su entorno.
• Implementar algoritmos de búsqueda y planificación de movimientos.
• Implementar controles PID para regular el movimiento del robot dentro de un entorno.
• Implementar algoritmos SLAM para que el robot pueda mapear un entorno desconocido.

Formato del Curso

• Conferencia interactiva y discusión.
• Muchos ejercicios y prácticas.
• Implementación práctica en un entorno de laboratorio en vivo.

Opciones de Personalización del Curso

• Para solicitar un entrenamiento personalizado para este curso, por favor contáctenos para hacer los arreglos necesarios.

En este entrenamiento dirigido por un instructor en Austin (en línea o presencial), los participantes aprenderán las diferentes tecnologías, frameworks y técnicas para programar diversos tipos de robots a ser utilizados en el campo de la tecnología nuclear y sistemas ambientales.

El curso de 6 semanas se realiza 5 días a la semana. Cada día dura 4 horas y consta de conferencias, discusiones y desarrollo práctico de robots en un entorno de laboratorio real. Los participantes completarán varios proyectos del mundo real aplicables a su trabajo para practicar el conocimiento adquirido.

La hardware objetivo de este curso se simulará en 3D a través de software de simulación. Se utilizará el framework de código abierto ROS (Robot Operating System), C++ y Python para programar los robots.

Al finalizar esta formación, los participantes serán capaces de:

• Entender los conceptos clave utilizados en tecnologías robóticas.
• Comprender y gestionar la interacción entre software y hardware en un sistema robotizado.
• Comprender e implementar los componentes de software que respaldan la robótica.
• Construir y operar un robot mecánico simulado capaz de ver, sentir, procesar, navegar e interactuar con humanos a través del habla.
• Comprender los elementos necesarios de la inteligencia artificial (aprendizaje automático, aprendizaje profundo, etc.) aplicables a la construcción de un robot inteligente.
• Implementar filtros (Kalman y Particle) para que el robot pueda localizar objetos móviles en su entorno.
• Implementar algoritmos de búsqueda y planificación de movimiento.
• Implementar controles PID para regular el movimiento del robot dentro de un entorno.
• Implementar algoritmos SLAM para que el robot pueda mapear un entorno desconocido.
• Ampliar la capacidad de un robot para realizar tareas complejas a través del aprendizaje profundo.
• Probar y solucionar problemas en un robot en escenarios realistas.

En este taller dirigido por un instructor en Austin (en línea o presencial), los participantes aprenderán las diferentes tecnologías, marcos y técnicas para programar diversos tipos de robots a ser utilizados en el campo de la tecnología nuclear y sistemas ambientales.

El curso de 4 semanas se realiza 5 días por semana. Cada día tiene una duración de 4 horas y consta de conferencias, discusiones y desarrollo práctico de robots en un entorno de laboratorio en vivo. Los participantes completarán varios proyectos del mundo real aplicables a su trabajo para practicar los conocimientos adquiridos.

El hardware objetivo para este curso será simulado en 3D mediante software de simulación. Luego, el código se cargará en hardware físico (Arduino u otro) para la prueba final de despliegue. Se utilizará el marco de código abierto ROS (Robot Operating System), C++ y Python para programar los robots.

Al finalizar este entrenamiento, los participantes podrán:

• Comprender los conceptos clave utilizados en tecnologías robóticas.
• Comprender y gestionar la interacción entre software y hardware en un sistema robótico.
• Comprender e implementar los componentes de software que respaldan la robótica.
• Construir y operar un robot mecánico simulado que pueda ver, percibir, procesar, navegar e interactuar con humanos a través del habla.
• Comprender los elementos necesarios de la inteligencia artificial (aprendizaje automático, aprendizaje profundo, etc.) aplicables a la construcción de un robot inteligente.
• Implementar filtros (Kalman y Particle) para permitir que el robot localice objetos móviles en su entorno.
• Implementar algoritmos de búsqueda y planificación de movimiento.
• Implementar controles PID para regular el movimiento del robot dentro de un entorno.
• Implementar algoritmos SLAM para permitir que el robot cartografíe un entorno desconocido.
• Probar y resolver problemas con un robot en escenarios realistas.

Este curso dirigido por un instructor, en vivo, en Austin (en línea o en las instalaciones) está destinado a ingenieros que deseen aprender sobre la aplicabilidad de la inteligencia artificial a los sistemas mecatrónicos.

Al finalizar este curso, los participantes podrán:

• Obtener una visión general de la inteligencia artificial, el aprendizaje automático y la inteligencia computacional.
• Comprender los conceptos de las redes neuronales y diferentes métodos de aprendizaje.
• Elegir enfoques de inteligencia artificial de manera efectiva para problemas reales.
• Implementar aplicaciones de IA en ingeniería mecatrónica.