Online or onsite, instructor-led live Autonomous Vehicles (AVs) training courses demonstrate through interactive hands-on practice how to use cutting-edge technologies and algorithms to develop, optimize, and implement autonomous driving systems.
AVs training is available as "online live training" or "onsite live training". Online live training (aka "remote live training") is carried out by way of an interactive, remote desktop. Skåne onsite live Autonomous Vehicles (AVs) trainings can be carried out locally on customer premises or in NobleProg corporate training centers.
Denna instruktörsledda, livekursen (online eller på plats) riktar sig till nybörjare som vill utforska de etiska dilemman och juridiska ramverk som omger autonoma fordon.
Efter denna utbildning kommer deltagarna att kunna:
Förstå de etiska implikationerna av AI-drivet beslutsfattande i autonoma fordon.
Analysera globala juridiska ramverk och policyer som reglerar självkörande bilar.
Undersöka ansvar och skyldighet vid olyckor med autonoma fordon.
Utvärdera balansen mellan innovation och allmän säkerhet i lagar om autonom körning.
Diskutera verkliga fallstudier som involverar etiska dilemman och juridiska tvister.
Denna instruktörsledda, live-utbildning i Skåne (online eller på plats) riktar sig till yrkesverksamma och entusiaster på nybörjarnivå som vill förstå de grundläggande koncepten, teknologierna och tillämpningarna av autonoma fordon.
Efter denna utbildning kommer deltagarna att kunna:
Förstå de viktigaste komponenterna och arbetsprinciperna för autonoma fordon.
Utforska AI:s roll, sensorer och realtidsdatabehandling i självkörande system.
Analysera olika nivåer av fordonsautonomi och deras tillämpningar i verkligheten.
Granska de etiska, juridiska och regulatoriska aspekterna av autonom mobilitet.
Få praktisk erfarenhet av simuleringar av autonoma fordon.
Denna instruktörsledda, live-kurs (online eller på plats) riktar sig till nätverksingenjörer på mellannivå och utvecklare inom Automotive IoT som vill förstå och implementera V2X-kommunikationstekniker för autonoma fordon.
Efter denna kurs kommer deltagarna att kunna:
Förstå de grundläggande koncepten för V2X-kommunikation.
Analysera V2V, V2I, V2P och V2N-kommunikationsmodeller.
Implementera V2X-protokoll såsom DSRC och C-V2X.
Utveckla simuleringar för uppkopplade fordonsmiljöer.
Bemöta säkerhets- och integritetsutmaningar i V2X-nätverk.
Denna instruktörsledda, live-utbildning (online eller på plats) riktar sig till ingenjörer på mellannivå, bilproffs och IoT-specialister som vill förstå sensorernas roll i självkörande bilar, och täcker LiDAR, radar, kameror och tekniker för sensorfusion.
Efter denna utbildning kommer deltagarna att kunna:
Förstå de olika typerna av sensorer som används i autonoma fordon.
Analysera sensordata för fordonets perception och beslutsfattande i realtid.
Implementera tekniker för sensorfusion för att förbättra fordonets noggrannhet och säkerhet.
Optimera sensorplacering och kalibrering för förbättrad prestanda för autonom körning.
Denna instruktörsledda, live-kurs i Skåne (online eller på plats) riktar sig till säkerhetsingenjörer på avancerad nivå och yrkesverksamma inom bilars säkerhet som vill utveckla omfattande säkerhetsstrategier för autonoma fordon, inklusive riskbedömning, funktionell säkerhetsutvärdering och efterlevnad av internationella standarder.
Efter denna kurs kommer deltagarna att kunna:
Identifiera och bedöma säkerhetsrisker som är förknippade med autonoma körsystem.
Genomföra riskbedömning och riskanalys med hjälp av branschstandarder.
Implementera validerings- och verifieringsmetoder för säkerhet i autonoma fordon.
Tillämpa funktionella säkerhetsstandarder, såsom ISO 26262 och SOTIF.
Utveckla strategier för att mildra risker för säkerhetsutmaningar i autonoma fordon.
Denna instruktörsledda, live-kursen i Skåne (online eller på plats) riktar sig till sensorfusionsspecialister och AI-ingenjörer på avancerad nivå som vill utveckla algoritmer för multi-sensorfusion och optimera realtidsnavigering i autonoma system.
Efter denna kurs kommer deltagarna att kunna:
Förstå grunderna och utmaningarna med multi-sensor datafusion.
Implementera sensorfusionsalgoritmer för realtidsautonom navigering.
Integrera data från LiDAR, kameror och RADAR för att förbättra perceptionen.
Analysera och utvärdera fusionssystemets prestanda under olika förhållanden.
Utveckla praktiska lösningar för att minska sensorbrus och anpassa data.
Denna instruktörsledda, live-kurs i Skåne (online eller på plats) riktar sig till AI-utvecklare och ingenjörer inom datorseende på mellannivå som vill bygga robusta visionsystem för autonoma fordonsapplikationer.I slutet av denna kurs kommer deltagarna att kunna:
Förstå de grundläggande koncepten inom datorseende i autonoma fordon.
Implementera algoritmer för objektdetektering, fildetektering och semantisk segmentering.
Integrera visionsystem med andra delsystem i autonoma fordon.
Använda tekniker för djupinlärning för avancerade uppgifter inom perception.
Utvärdera prestandan hos datorseendemodeller i verkliga scenarier.
Denna instruktörsledda, live-utbildning (online eller på plats) riktar sig till avancerade robotingenjörer och AI-forskare som vill implementera sofistikerade algoritmer för vägplanering för att förbättra prestandan hos autonoma fordon.Efter denna utbildning kommer deltagarna att kunna:
Förstå de teoretiska grunderna för avancerade algoritmer för vägplanering.
Implementera algoritmer som RRT*, A* och D* för navigering i realtid.
Optimera vägplanering för hinderundvikande och dynamiska miljöer.
Integrera vägplaneringsalgoritmer med sensordata för ökad noggrannhet.
Utvärdera prestandan hos olika algoritmer i praktiska scenarier.
Denna instruktörsledda, live-utbildning i Skåne (online eller på plats) riktar sig till datavetare på avancerad nivå, AI-specialister och AI-utvecklare inom bilindustrin som vill bygga, träna och optimera AI-modeller för autonoma körningsapplikationer.
Efter denna utbildning kommer deltagarna att kunna:
Förstå grunderna i AI och djupinlärning i kontexten av autonoma fordon.
Implementera datorseendetekniker för realtids-objektidentifiering och filföljning.
Använda förstärkningsinlärning för beslutsfattande i självkörande system.
Integrera sensorfusions-tekniker för bättre perception och navigering.
Bygga djupinlärningsmodeller för att förutsäga och analysera körscenarier.