Чему вы научитесь
- Применять Foundational Models (DeepSeek, Qwen, LLaMA, LLaVA) для решения задач робототехники.
- Проектировать архитектуру Physical AI-систем, выбирая между Jetson, Orange Pi и «Рудироном».
- Писать эффективные промпты для компьютерного зрения, планирования и генерации кода поведения роботов.
- Создавать и тестировать прототипы в симуляторах PyBullet/Gazebo (Sim2Real подход).
- Интегрировать языковые, мультимодальные модели и симуляторы в единый рабочий пайплайн.
- Готовить проект к запуску на реальном железе: от документации до питча для заказчика.
О курсе
Для кого этот курс
Начальные требования
📌 Базовые знания Python (умение писать скрипты, работать с функциями и библиотеками).
📌 Общее представление о том, что такое машинное обучение и нейросети (на уровне пользователя).
📌 Готовность работать с англоязычной документацией и техническими статьями.
📌 Не требуется: опыт в робототехнике, знание C++, наличие робота или специального железа.
Преподаватели курса
544
Как проходит обучение
🎥 Теория + Практика
Короткие видеолекции и подробные текстовые материалы с примерами кода и промптов.
🛠 Интерактивные задания
Работа в Google Colab, симуляторах PyBullet/Gazebo, тестирование промптов в реальных средах выполнения.
📈 Постепенная сложность
От простых промптов к LLaVA — до сборки полного пайплайна автономного робота-инспектора.
🎯 Финальный проект
Выполнение собственного проекта: архитектура, промпты и рабочий прототип в симуляторе.
Что вы получите
- 📜 Сертификат об успешном завершении курса.
- 💼 Портфолио проекта — документация, код и промпты для системы Autonomous Inspection Robot.
- 🧠 Навык, который выделит вас на рынке труда — работа с Foundational Models для Physical AI.
- 🛣 Дорожную карту для дальнейшего углубления в специализацию (курсы по «Рудирон», Unitree GO2 и др.).
- 🤝 Доступ к закрытому чату выпускников и анонсам новых программ.