Master Robotique

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 48

Mastère Spécialé

Robotique
Mastère Spécialé
Robotique
» Modalité: en ligne
» Durée: 12 mois
» Qualification: TECH Université Technologique
» Intensité: 16h/semaine
» Horaire: à votre rythme
» Examens: en ligne
Accès au site web: www.techtitute.com/fr/ingenierie/master/master-robotique
Sommaire

01 02
Présentation Objectifs
page 4 page 8

03 04 05
Compétences Direction de la formation Structure et contenu
page 14 page 18 page 24

06 07
Méthodologie Diplôme
page 36 page 44
01
Présentation
La robotisation et l'automatisation progressives et inéluctables d'un nombre croissant d'industries
et d'entreprises ont fait de la Robotique l'un des domaines de l'ingénierie qui a le plus progressé
ces dernières années. Depuis les vidéos virales de Boston Dynamics jusqu'aux drones les
plus avant-gardistes, les robots font partie de l'idéologie populaire et de la vie quotidienne de
nombreuses personnes. Les ingénieurs qui souhaitent se spécialiser dans ce domaine doivent
avoir un niveau de connaissances élevé, car des projets tels que les voitures autonomes ou
l'exploration spatiale requièrent les meilleurs professionnels du domaine. Ce programme
TECH rassemble les connaissances de docteurs en Ingénierie et professionnels spécialisés
en Robotique, avec une expérience dans les domaines académique et aérospatial. C'est une
opportunité de donner un élan décisif à votre carrière professionnelle avec un enseignement
100% en ligne, sans cours en présentiel et sans horaires fixes.
Présentation | 05

Spécialisez-vous dans l'Industrie 4.0,


l'automatisation des Processus Industriels,
les Algorithmes de Planification des robots
et bien d'autres contenus créés par des
experts en robotique"
06 | Présentation

C'est un fait indéniable que la robotique a permis au secteur industriel d'atteindre Ce Mastère Spécialisé en Robotique contient le programme éducatif le plus complet et
des niveaux encore inimaginables il y a quelques années. On parle déjà de Machine le plus actuel du marché. Les caractéristiques les plus importantes sont les suivantes:
Learning ou d'Intelligence Artificielle, dans lesquels la robotique peut se développer Š Le développement d'études de cas présentées par des experts en Ingénierie Robotique
pour offrir des solutions presque futuristes à des problèmes quotidiens ou même
Š Son contenu graphique, schématique et éminemment pratique est destiné à fournir des
médicaux, avec des assistants robotiques pour des opérations complexes.
informations scientifiques et sanitaires sur les disciplines médicales indispensables à la
Tout cela constitue une opportunité de croissance indéniable pour les pratique professionnelle
ingénieurs professionnels dans ce domaine, car ils trouveront une multitude Š Les exercices pratiques d’auto-évaluation pour améliorer l’apprentissage
de domaines et de projets sur lesquels axer leur carrière. Que ce soit dans le
Š Les méthodologies innovantes
domaine purement industriel, dans les technologies aérospatiales ou dans les
Š Des cours théoriques, des questions à l'expert, des forums de discussion sur des sujets
programmes internationaux, une spécialisation appropriée en Robotique peut
controversés et un travail de réflexion individuel
représenter un bond de qualité quantitatif et qualitatif pour l'ingénieur dans sa
propre carrière professionnelle. Š La possibilité d'accéder aux contenus depuis tout appareil fixe ou portable
doté d'une simple connexion à internet
C'est pourquoi TECH a réuni pour ce diplôme toute une équipe de leaders dans le
domaine de la Robotique, ayant une grande expérience dans de nombreux projets
internationaux de grand prestige et un parcours académique irréprochable. Ce
profil d'enseignement signifie précisément que tout le contenu du diplôme est axé
sur la théorie et la pratique, car l'ingénieur y trouvera non seulement les derniers
développements en matière de Robotique, d'Intelligence Artificielle et de systèmes
de communication, mais aussi l'application pratique de toutes ces connaissances
dans des environnements de travail réels.

À travers de nombreuses vidéos détaillées, des lectures complémentaires,


Rejoignez un programme où vous
des résumés de vidéos et des exercices d'auto-connaissance, tout ingénieur
obtiendra une vision globale et spécialisée de l'état actuel de la Robotique, décidez comment, où et quand prendre
pouvant ainsi intégrer dans son parcours un programme qui le placera au en charge la totalité des cours, sans
rang de talent pour toute entreprise du secteur. Tout cela, avec l'avantage de
poursuivre le Mastère Spécialisé à votre rythme, sans avoir à assister à des
avoir à renoncer à votre vie personnelle
cours en présentiel ou à respecter des horaires fixes. Un enseignement est ou professionnelle pour cela"
100% en ligne offre la souplesse nécessaire pour le combiner avec les activités
personnel et professionnelle les plus exigeantes.
Présentation | 07

Donnez un coup de pouce à votre


Inscrivez-vous dès maintenant et ne carrière en intégrant ce master dans
manquez pas l'occasion d'en savoir votre proposition de valeur.
plus sur l'application de la Robotique
aux technologies de Réalité Virtuelle et
Augmentée, avec des capteurs virtuels
Maîtrisez la robotique la plus avancée et la
et des applications mobiles mixtes"
plus moderne avec des sujets exclusivement
consacrés au SLAM visuel, à la Visión
Artificial et Visual Servoing.

Le corps enseignant comprend des professionnels du secteur qui apportent à cette


formation l'expérience de leur travail, ainsi que des spécialistes reconnus de sociétés
de référence et d'universités prestigieuses.

Grâce à son contenu multimédia développé avec les dernières technologies éducatives,
les spécialistes bénéficieront d’un apprentissage situé et contextuel. Ainsi, ils se
formeront dans un environnement simulé qui leur permettra d’apprendre en immersion
et de s’entrainer dans des situations réelles.

La conception de ce programme est basée sur l'Apprentissage par les Problèmes, grâce
auquel le professionnel devra essayer de résoudre les différentes situations de pratique
professionnelle qui se présentent tout au long de la formation. Pour ce faire, il sera
assisté d'un système vidéo interactif innovant créé par des experts reconnus.
02
Objectifs
L'objectif de ce programme ne pouvait être que d'offrir à l'ingénieur le contenu
le plus rigoureux et le plus actuel en robotique. C'est pourquoi, tout au long des
10 modules de connaissances approfondies qui composent ce Master, il y aura
de nombreuses références à des cas réels de Robotique. Cette casuistique a
été développée par l'équipe enseignante, afin que l'ingénieur puisse intégrer les
connaissances de la matière dans son travail quotidien de la manière la plus
pratique et plus rapide possible.
Objectifs | 09

Grâce à la méthodologie d'enseignement de


TECH, vous optimoserez de nombreuses
heures d'étude, que vous pourrez investir dans
la vaste bibliothèque de contenus multimédias
créée spécifiquement pour ce programme"
10 | Objectifs

Objectifs généraux

Š Développer les fondements mathématiques de la modélisation


cinématique et dynamique des robots
Š Approfondir l'utilisation de technologies spécifiques pour la création d'architectures
de robots, la modélisation et la simulation de robots
Š Générer des connaissances spécialisées sur l'Intelligence Artificielle
Š Développer les technologies et les dispositifs les plus couramment utilisés dans
l'automatisation industrielle
Š Identifier les limites des techniques actuelles pour identifier les goulets
d'étranglement dans les applications robotiques

Vous bénéficierez du soutien total du


personnel technique et enseignant de TECH
pour vous aider à atteindre vos objectifs
professionnels les plus ambitieux"
Objectifs | 11

Objectifs spécifiques

Module 1. Robotique: Conception et modélisation de robots Module 3. La Robotique dans l'automatisation des processus industriels
Š Approfondir l'utilisation de la Technologie de Simulation du Gazebo Š Analyser l'utilisation, les applications et les limites des réseaux de
Š Maitriser l'utilisation du langage de modélisation des robots URDF communication industriels
Š Développer une expertise dans l'utilisation de la technologie du Robot Operating System Š Établir des normes de sécurité des machines pour une conception correcte
Š Modéliser et simuler des robots manipulateurs, robots mobiles terrestres, robots mobiles Š Développer des techniques de programmation d'automates propres et efficaces en PLC
aériens Modéliser et simuler des robots mobiles aquatiques Š Proposer de nouvelles façons d'organiser les opérations à l'aide de machines à états

Module 2. Agents intelligents. Application l'Intelligence Artificielle aux Š Démontrer la mise en œuvre des paradigmes de contrôle dans des applications PLC réelles
robots et Softbots Š Fournir une base pour la conception de systèmes pneumatiques et hydrauliques
Š Analyser l'inspiration biologique de l'Intelligence Artificielle et des agents intelligents dans l'automatisation
Š Évaluer le besoin d'algorithmes intelligents dans la société actuelle Š Identifier les principaux capteurs et actionneurs dans le domaine de la Robotique
Š Déterminer les applications des techniques avancées d'Intelligence Artificielle sur les et de l'automatisation
Agents Intelligents Module 4. Systèmes de contrôle automatique en Robotique
Š Démontrer le lien étroit entre la robotique et l'Intelligence Artificielle Š Générer des connaissances spécialisées pour la conception de contrôleurs non linéaires
Š Établir les besoins et les défis présentés par la robotique qui peuvent être résolus par Š Analyser et étudier les problèmes de contrôle
des algorithmes intelligents Š Maîtriser les modèles de contrôle
Š Développer des implémentations concrètes d'algorithmes d'Intelligence Artificielle Š Concevoir des contrôleurs non linéaires pour les systèmes robotiques
Š Identifier les algorithmes d'Intelligence Artificielle qui s'imposent dans la société Š Réaliser des contrôleurs et les évaluer sur un simulateur
d'aujourd'hui et leur impact sur la vie quotidienne.
Š Déterminer les différentes architectures de contrôle disponibles
Š Examiner les principes fondamentaux du contrôle de la vision
Š Développer des techniques de contrôle de pointe telles que le contrôle prédictif
ou le contrôle basé sur l'apprentissage automatique
12 | Objectifs

Module 5. Algorithmes de planification de robots Module 7. Systèmes de Perception Visuelle des Robots avec
Š Établir les différents types d’algorithmes de planification Apprentissage Automatique
Š Analyser la complexité de la planification des mouvements en robotique Š Maîtriser les techniques d'apprentissage automatique les plus utilisées dans le monde
universitaire et dans l'industrie
Š Développer des techniques de modélisation de l'environnement
Š Approfondir les architectures des réseaux neuronaux afin de les appliquer efficacement
Š Examiner les avantages et les inconvénients des différentes techniques de planification
à des problèmes réels
Š Analyser les algorithmes centralisés et distribués pour la coordination des robots Š Reusar redes neuronales existentes en aplicaciones nuevas usando Transfer Learning
Š Identifier les différents éléments de la théorie de la décision Š Identifier de nouveaux domaines d'application des réseaux neuronaux génératifs
Š Proposer des algorithmes d'apprentissage pour résoudre des problèmes de décision Š Analyser l'utilisation des techniques d'apprentissage dans d'autres domaines de la
Robotique tels que la localisation et la cartographie
Module 6. Techniques de Vision Artificielle en Robotique: Traitement et
analyse d'images Š Développer les technologies actuelles en nuage pour développer une technologie
Š Analyser et comprendre l'importance des systèmes de vision en robotique basée sur les réseaux neuronaux
Š Établir les caractéristiques des différents capteurs de perception afin de choisir les plus Š Examiner le déploiement de systèmes de vision par apprentissage dans des systèmes
appropriés en fonction de l'application réels et embarqués

Š Identifier les techniques d'extraction d'informations à partir de données de capteurs Module 8. SLAM Visuel Localisation et cartographie simultanées de robots
à l'aide de techniques de Vision Artificielle
Š Appliquer des outils de traitement de l'information visuelle
Š Concrétiser la structure de base d'un système de Localisation et de Cartographie
Š Concevoir des algorithmes de traitement d'images numériques
Simultanées (SLAM)
Š Analyser et prévoir l'effet des changements de paramètres sur les résultats Š Identifier les capteurs de base utilisés dans la Localisation et de Cartographie
des algorithmes Simultanées (SLAM visuel)
Š Évaluer et valider les algorithmes développés par rapport aux résultats Š Établir les limites et les capacités du SLAM visuel
Š Compiler les notions de base de la géométrie projective et épipolaire pour comprendre
les processus de projection d'images
Š Identifier les principales technologies de SLAM visuel: filtrage gaussien, optimisation
et détection des fermetures de boucle
Š Décrire en détail le fonctionnement des principaux algorithmes SLAM visuels
Š Analyser comment procéder au réglage et au paramétrage des algorithmes SLAM
Objectifs | 13

Module 9. Application à la Robotique des Technologies de Réalité Virtuelle


et Augmentée
Š Déterminer la différence entre les différents types de réalités
Š Analyser les normes actuelles pour la modélisation des éléments virtuels
Š Examinez les périphériques les plus utilisés dans les environnements immersifs
Š Définir les modèles géométriques des robots
Š Évaluer les moteurs physiques pour la modélisation dynamique et cinématique des robots
Š Développer des projets de Réalité Virtuelle et de Réalité Augmentée

Module 10. Systèmes de Communication et d'Interaction avec les Robots


Š Analyser les stratégies actuelles de traitement du langage naturel: heuristiques,
stochastiques, basées sur les réseaux neuronaux, apprentissage par renforcement
Š Évaluer les avantages et les faiblesses du développement de systèmes d'interaction
transversaux ou axés sur les situations
Š Identifiez les problèmes environnementaux à résoudre pour obtenir une communication
efficace avec le robot
Š Établir les outils nécessaires pour gérer l'interaction et discerner le type d'initiative de
dialogue à poursuivre
Š Combiner des stratégies de reconnaissance des modèles pour déduire les intentions de
l'interlocuteur et y répondre de la meilleure façon possible
Š Déterminer l'expressivité optimale du robot en fonction de sa fonctionnalité et de son
environnement et appliquer des techniques d'analyse émotionnelle pour adapter la réponse
Š Proposer des stratégies hybrides pour l'interaction avec le robot: vocale, tactile et visuelle
03
Compétences
Les compétences nécessaires à un ingénieur expert en robotique sont multiples, c'est
pourquoi ce Mastère Spécialisé se concentre sur des questions essentielles telles que
les algorithmes de planification des robots, les systèmes de contrôle automatique, les
applications de l'Intelligence Artificielle et la conception de robots avancés. Tout cela
afin d'acquérir une compréhension globale de concernant la Robotique moderne, et
de perfectionner les compétences nécessaires pour entreprendre les projets les plus
ambitieux dans ce domaine.
Compétences | 15

Vous disposerez d'un ensemble de


compétences en Robotique qui sont très
demandées dans les projets et industries
internationaux les plus importants"
16 | Compétences

Compétences générales

Š Maîtriser les outils de virtualisation les plus utilisés aujourd'hui


Š Concevoir des environnements robotiques virtuels
Š Examiner les techniques et les algorithmes qui sous-tendent tout algorithme
d'Intelligence Artificielle
Š Concevoir, développer, mettre en œuvre et valider des systèmes perceptifs pour
la robotique

Vous renforcerez votre détermination


stratégique, mathématique et
analytique pour prendre en charge
la création et la définition de projets
Robotiques complexes"
Compétences | 17

Compétences spécifiques

Š Identifier les systèmes d'interaction multimodale et leur intégration avec le reste


des composants du robot
Š Mettre en œuvre ses propres projets de Réalité Virtuelle et Augmentée
Š Proposer des applications dans des systèmes réels
Š Examiner, analyser et développer les méthodes existantes de planification
de trajectoire par un robot mobile et un manipulateur
Š Analyser et définir des stratégies pour la mise en œuvre et la maintenance
des systèmes de perception
Š Déterminer les stratégies d'intégration d'un système de dialogue dans
le comportement de base du robot
Š Analyser les compétences en matière de programmation et de configuration
des dispositifs
Š Examiner les stratégies de contrôle utilisées dans différents systèmes robotiques
04
Direction de la formation
Les progrès de la Robotique sont inéluctables et les professionnels de ce domaine
renouvellent continuellement leurs connaissances et acquièrent de nouvelles
compétences pour développer leur carrière. Pour cette raison, TECH s'est tourné
vers des experts en Robotique possédant une vaste expérience dans des projets
multidisciplinaires de toutes sortes. Ainsi, l'ensemble des contenus fournis par
l'équipe pédagogique s'appuient sur les plus récentes l'actualité de la Robotique,
incluant les postulats scientifiques les plus récents et une approche pratique du
cadre théorique actuel.
Direction de la formation |19

Réussissez auprès des meilleurs et développez


les connaissances et les compétences dont
vous avez besoin pour vous lancer dans le
secteur de l'information avancées"
20 | Direction de la formation

Direction

Dr Ramón Fabresse, Felipe


Š Ingénieur Software Senior à Acurable
Š Ingénieur Software à NLP à Intel Corporation
Š Ingénieur Software à CATEC en Indisys
Š Chercheur en Robotique à l’Université de Séville
Š Doctorat Cum Laude en Robotique, Systèmes Autonomes et Télérobotique de l'Université de Séville
Š Licence en Génie Informatique Supérieur à l’Université de Séville
Š Master Robotique, Automatique et Télématique de l'Université de Séville

Professeurs
Dr Íñigo Blasco, Pablo M. Campos Ortiz, Roberto
Š Ingénieur en Software à PlainConcepts Š Ingénieur en Software Quasar Scence Resources
Š Fondateur de Intelligent Behavior Robots Š Ingénieur en Software à l'Agence Spatiale Européenne (ESA-ESAC) pour la mission
Š Ingénieur en Robotique au Centre Avancé des Technologies Aérospatiales CATEC Solar Orbiter
Š Développeur et Consultant à Syderis Š Créateur de contenu et expert en Intelligence Artificielle dans le cours: "Intelligence
Š Doctorat en Ingénierie Informatique Industrielle à l'Université de Séville artificielle: la technologie du présent et de l'avenir" pour le Gouvernement Andaloux
Š Licence en Génie Informatique à l’Université de Séville Groupe Euroformac

Š Master en Ingénierie et Technologie du Software Š Scientifique en Informatique Quantique Zapata Computing Inc
Š Diplôme en Ingénierie Informatique de l’Université Carlos III
Š Master en Sciences et Technologies Informatique de l’Université Carlos III
Direction de la formation | 21

M. Rosado Junquera, Pablo J. Dr Pérez, Francisco Javier


Š Ingénieur Spécialiste en Robotique et Automatisation Š Responsable de l'Unité Perception et Logiciels à CATEC
Š Ingénieur en Automatisation et Contrôles R&D chez Becton Dickinson & Company Š R&D Project Manager à CATEC
Š Ingénieur en Systèmes de Contrôle Logistique de Amaze à Dematic Š R&D Project Engineer à CATEC
Š Ingénieur en Automatisation et Contrôle à Aries Ingeniería y Sistemas Š Professeur Associé à l'Université de Cádiz
Š Diplôme en Ingénierie Énergétique et des Matériaux à l'Université Rey Juan Carlos Š Professeur Associé à l'Université Internationale de L'Andalousie
Š Master en Robotique et Automotasition de l’Université Polytechnique de Madrid Š Chercheur du Groupe Robotique et Perception de l'Université de Zurich
Š Master en Génie Industriel de l'Université d' Alcalá Š Chercheur du Centre Australien de Robotique de Terrain à l'Université de Sydney
Dr Jiménez Cano, Antonio Enrique Š Docteur Robotique et Systèmes Autonomes de l'Université de Séville
Š Ingénieur en Aeronautical Data Fusion Engineer Š Diplôme en Ingénierie des Télécommunications et Ingénierie des Réseaux et Ordinateurs
Š Chercheur en Projets Européens (ARCAS, AEROARMS y AEROBI) à l'Université de l'Université de Séville
de Séville Dr Ramon Soria, Pablo
Š Chercheur en Systèmes de Navigation au CNRS-LAAS Š Ingénieur en Vision par Ordinateur à Meta
Š Développeur du Système LAAS MBZIRC2020 Š Team Leader de Sciences Appliqueés et Ingenieur de Software à Vertical
Š Groupe de Robotique, Vision et Contrôle (GRVC) de l'Université de Séville Engineering Solutions
Š Doctorat en Automatique, Électronique et Télécommunications à l'Université de Séville Š CEO et Fondateur de Domocracy
Š Diplômés en Ingénierie Automatique, Électronique et Télécommunications à l'Université Š Chercheur à ACFR (Australia)
de Séville Š Chercheur des Projets GRIFFIN y HYFLIERS à l’Université de Seville
Š Diplôme en Génie Technique Informatique des Systèmes de l’Université de Séville Š Docteur en Vision Informatique pour la Robotique de l'Université de Séville
Dr Alejo Teissière, David Š Diplôme en Ingénierie Automatique, Électronique et Télécommunications à
Š Ingénieur en Télécommunications Spécialisé en Robotique l'Université de Séville
Š Chercheur en Projets Européens SIAR, NIx ATEX à l'Université Pablo de Olavide
Š Développeur de Systèmes à Aertec
Š Doctorat en Automatique, Robotique et Télématique à l'Université de Séville
Š Diplôme en Ingénierie des Télécommunications de l'Université de Séville
Š Master en Automatique, Robotique et Télématique à l'Université de Séville
22 | Direction de la formation

Dr Caballero Benítez, Fernando


Š Chercheur du Projet Européen COMETS, AWARE, ARCAS et SIAR
Š Licence en Ingénierie des Télécommunications à l’Université de Séville
Š Doctorat en Ingénierie des Télécommunications à l'Université de Séville
Š Professeur en Ingénierie des Systèmes et Automatique à l'Université de Séville
Š Rédacteur Associé du Journal Robotics and Automation Letters
Dr Lucas Cuesta, Juan Manuel
Š Ingénieur Logiciel Senior et Analyste à Indizen – Believe in Talent
Š Ingénieur Logiciel Senior et Analyste à Krell Consulting et IMAGiNA Artificial Intelligence
Š Ingénieur Logiciel à Intel Corporation
Š Ingénieur Logiciel à Intel à Intelligent Dialogue Systems
Š Docteur en Génie Électronique des Systèmes relatives aux environnements de l’Université
Polytechnique de Madrid
Š Diplôme en Ingénierie des Télécommunications de l’Université Polytechnique de Madrid
Š Master en Génie Électronique des Systèmes relatives aux environnements de l’Université
Polytechnique de Madrid
Direction de la formation | 23

Inscrivez-vous dès maintenant et


ne manquez pas l'occasion d'en
savoir plus sur l'application de la
Robotique aux technologies de
Réalité Virtuelle et Augmentée,
avec des capteurs virtuels et des
applications mobiles mixtes"
05
Structure et contenu
Le corps enseignant engagé dans l'élaboration de tous les programmes a utilisé la
méthodologie du Relearning, favorisant un enseignement progressif et naturel pour
l'ensemble du programme. Pour ce faire, les concepts clés les plus importants de la
Robotique et de l'Ingénierie avancée sont réitérés, de sorte que l'étudiant n'ait pas à
consacrer de longues heures d'étude à l'acquisition de ces connaissances.
Structure et contenu | 25

Vous avez à disposition les clés pour


orienter votre carrière d'ingénieur vers le
domaine de la Robotique. Saisissez votre
chance et inscrivez-vous dès maintenant"
26 | Structure et contenu

Module 1. Robotique: Conception et modélisation de robots 1.7. Robots mobiles terrestres


1.7.1. Types de robots mobiles terrestres
1.1. Robotique dans l'Industrie 4.0
1.7.2. Cinématique
1.1.1. Robotique dans l'Industrie 4.0
1.7.3. Dynamique
1.1.2. Champs d’application et cas d'utilisation
1.7.4. Simulation
1.1.3. Sous-domaines de spécialisation en robotique
1.8. Robots mobiles aériens
1.2. Architectures hardware y software de robots
1.8.1. Types de robots mobiles aériens
1.2.1. Architectures hardware et temps réel
1.8.2. Cinématique
1.2.2. Architectures hardware de robots
1.8.3. Dynamique
1.2.3. Modèles de communication et technologies Middleware
1.8.4. Simulation
1.2.4. Intégration deSoftware avec le Robot Operating System (ROS)
1.9. Robots mobiles aquatiques
1.3. Modélisation mathématique des robots
1.9.1. Types de robots mobiles aquatiques
1.3.1. Représentation mathématique des solides rigides
1.9.2. Cinématique
1.3.2. Rotations et translations
1.9.3. Dynamique
1.3.3. Représentation hiérarchique de l'état
1.9.4. Simulation
1.3.4. Représentation d'état distribuée en ROS (TF Library)
1.10. Robots bio-inspirés
1.4. Cinématique et dynamique des robots
1.10.1. Humanoïdes
1.4.1. Cinématique
1.10.2. Robots à quatre pattes ou plus
1.4.2. Dynamique
1.10.3. Robots modulaires
1.4.3. Robots sous-actionnés
1.10.4. Robots à parties flexibles (Soft-Robotics)
1.4.4. Robots redondants
1.5. Modélisation et simulation de robots Module 2. Agents intelligents. Application de l'Intelligence Artificielle
1.5.1. Technologies de modélisation des robots aux robots et Softbots
1.5.2. Modélisation de robots avec URDF
2.1. Les agents Intelligence et Intelligence Artificielle
1.5.3. Simulation de robots
2.1.1. Robots intelligents - Intelligence Artificielle
1.5.4. Modélisation avec le simulateur Gazebo
2.1.2. Agents intelligents
1.6. Robots manipulateurs
2.1.2.1. Agents hardware Robots
1.6.1. Types de robots manipulateurs
2.1.2.2. Agents software.Softbots
1.6.2. Cinématique
2.1.3. Applications à la Robotique
1.6.3. Dynamique
2.2. Connexion cerveau-algorithme
1.6.4. Simulation
2.2.1. Inspiration biologique de l'Intelligence Artificielle
2.2.2. Raisonnement implémenté dans les algorithmes Typologie
2.2.3. Explicabilité des résultats dans les algorithmes d'Intelligence Artificielle
2.2.4. Évolution des algorithmes jusqu'au Deep Learning
Structure et contenu | 27

2.3. Algorithmes de recherche dans l'espace des solutions 2.9. Inférence probabiliste
2.3.1. Éléments de la recherche dans l'espace des solutions 2.9.1. Inférence probabiliste
2.3.2. Algorithmes de recherche dans l'espace des solutions pour les problèmes 2.9.2. Types d'inférence et définition de la méthode
d'Intelligence Artificielle 2.9.3. L'inférence bayésienne comme étude de cas
2.3.3. Applications des algorithmes de recherche et d'optimisation 2.9.4. Techniques d'inférence non paramétrique
2.3.4. Algorithmes de recherche appliqués à l'apprentissage automatique 2.9.5. Filtres Gaussiens
2.4. Apprentissage Automatique 2.10. De la théorie à la pratique: développement d'un agent intelligent robotique
2.4.1. Apprentissage automatique 2.10.1. Inclusion de modules d'apprentissage supervisé dans un agent robotique
2.4.2. Algorithmes d'apprentissage supervisé 2.10.2. Inclusion de modules d'apprentissage par renforcement dans un agent robotique
2.4.3. Algorithmes d'apprentissage non supervisé 2.10.3. Architecture d'un agent robotique contrôlé par l'IA
2.4.4. Algorithmes d'apprentissage par renforcement 2.10.4. Outils professionnels pour la mise en œuvre d'agents intelligents
2.5. Apprentissage supervisé 2.10.5. Phases de la mise en œuvre des algorithmes d'IA dans les agents robotiques
2.5.1. Méthodes d'apprentissage supervisé
2.5.2. Arbres de décision pour la classification Module 3. La Robotique dans l'automatisation des processus industriels
2.5.3. Machines à vecteurs de support 3.1. Conception de systèmes automatisés
2.5.4. Réseaux neuronaux artificiels 3.1.1. Architectures hardware
2.5.5. Applications de l'apprentissage supervisé 3.1.2. Contrôleurs logiques programmables
2.6. Apprentissage non supervisé 3.1.3. Réseaux de communication industriels
2.6.1. Apprentissage non supervisé 3.2. Conception électrique avancée I: automatisation
2.6.2. Réseaux de Kohonen 3.2.1. Conception de tableaux électriques et symbologie
2.6.3. Cartes auto-organisatrices 3.2.2. Circuits de puissance et de contrôle Harmoniques
2.6.4. Algorithme K-means 3.2.3. Éléments de protection et de mise à la terre
2.7. Apprentissage par renforcement 3.3. Conception électrique avancée II: déterminisme et sécurité
2.7.1. Apprentissage par renforcement 3.3.1. Sécurité des machines et redondance
2.7.2. Agents basés sur des processus de Markov 3.3.2. Relais et déclencheurs de sécurité
2.7.3. Algorithmes d'apprentissage par renforcement 3.3.3. PLC de sécurité
2.7.4. Apprentissage par renforcement appliqué à la robotique 3.3.4. Réseaux sécurisés
2.8. Réseaux Neuronaux Artificielle et Deep Learning 3.4. Performances électriques
2.8.1. Réseaux neuronaux artificiels. Typologie 3.4.1. Moteurs et servomoteurs
2.8.2. Applications des réseaux neuronaux 3.4.2. Convertisseurs de fréquence et régulateurs
2.8.3. Transformation de Machine Learning en Deep Learning 3.4.3. Robotique industrielle à commande électrique
2.8.4. Applications de Deep Learning
28 | Structure et contenu

3.5. Actionnement hydraulique et pneumatique


3.5.1. Conception hydraulique et symbologie
3.5.2. Conception pneumatique et symbologie
3.5.3. Environnements ATEX dans l'automatisation
3.6. Transducteurs en robotique et automatisation
3.6.1. Mesure de la position et la vitesse
3.6.2. Mesure de la force et la température
3.6.3. Mesure de la présence
3.6.4. Capteurs de vision
3.7. Programmation et configuration des contrôleurs logiques programmables (PLC)
3.7.1. Programmation PLC: LD
3.7.2. Programmation PLC: ST
3.7.3. Programmation PLC: FBD et CFC
3.7.4. Programmation PLC: SFC
3.8. Programmation et configuration des équipements dans les installations industrielles
3.8.1. Programmation des entraînements et des contrôleurs
3.8.2. Programmation des IHM
3.8.3. Programmation des robots manipulateurs
3.9. Programmation et configuration d'équipements informatiques industriels
3.9.1. Programmation de systèmes de vision
3.9.2. Programmation de SCADA/software
3.9.3. Configuration du réseau
3.10. Implémentation des automatismes
3.10.1. Conception d'une machine à états
3.10.2. Implémentation de la machine à états PLC
3.10.3. Implementación de de systèmes de contrôle analogiques PID en PLC
3.10.4. Maintenance de l'automatisation et de l'hygiène des codes
3.10.5. Simulation d'automatismes et d'installations
Structure et contenu | 29

Module 4. Systèmes de contrôle automatique en Robotique


4.1. Analyse et conception de systèmes non linéaires
4.1.1. Analyse et modelage de systèmes non linéaires
4.1.2. Contrôle par rétroaction
4.1.3. Linéarisation par rétroaction
4.2. Conception de techniques de contrôle pour les systèmes non linéaires avancés
4.2.1. Commande par mode glissant (Sliding Mode control)
4.2.2. Contrôle basé sur Lyapunov et Backstepping
4.2.3. Contrôle basé sur la passivité
4.3. Architectures de contrôle
4.3.1. Le paradigme de la robotique
4.3.2. Architectures de contrôle
4.3.3. Applications et exemples d'architectures de contrôle
4.4. Contrôle de mouvement pour les bras robotiques
4.4.1. Modélisation cinématique et dynamique
4.4.2. Contrôle dans l'espace articulaire
4.4.3. Contrôle dans l'espace opérationnel
4.5. Contrôle de la force sur les actionneurs
4.5.1. Contrôle de la force
4.5.2. Contrôle de l'impédance
4.5.3. Contrôle hybride
4.6. Robots mobiles terrestres
4.6.1. Équations de mouvement
4.6.2. Techniques de commande pour les robots terrestres
4.6.3. Manipulateurs mobiles
4.7. Robots mobiles aériens
4.7.1. Équations de mouvement
4.7.2. Techniques de commande pour les robots aériens
4.7.3. Manipulation aérienne
4.8. Contrôle basé sur des techniques d'apprentissage automatique
4.8.2. Contrôle par Apprentissage Supervisé
4.8.3. Contrôle par Apprentissage Renforcé
4.8.4. Contrôle par Apprentissage Non Supervisé
30 | Structure et contenu

4.9. Contrôle basé sur la vision 5.6. Coordination des systèmes multi-robots I: système centralisé
4.9.1. Visual Servoing basé sur la position 5.6.1. Problème de coordination multi-robots
4.9.2. Visual Servoing basé sur l'image 5.6.2. Détection et résolution des collisions: modification de la trajectoire à l'aide
4.9.3. Visual Servoing hybride d'algorithmes génétiques
4.10. Contrôle prédictif 5.6.3. Autres algorithmes bio-inspirés: essaimage de particules et feux d'artifice
4.10.1. Modélisation et estimation de l'état 5.6.4. Algorithme d'évitement des collisions par choix de manœuvre
4.10.2. MPC appliquée aux robots mobiles 5.7. Coordination dans les systèmes multi-robots II: approches distribuées I
4.10.3. MPC appliqué aux UAV 5.7.1. Utilisation de fonctions objectifs complexes
5.7.2. Front de Pareto
Module 5. Algorithmes de planification de robots 5.7.3. Algorithmes évolutionnaires multi-objectifs
5.1. Algorithmes de planification Classique 5.8. Coordination dans les systèmes multi-robots III: approches distribuées II
5.1.1. Planification discrète: espace des états 5.8.1. Systèmes de planification de l'ordre 1
5.1.2. Problèmes de planification en robotique Modèles de systèmes robotiques 5.8.2. Algorithme ORCA
5.1.3. Classification des planificateurs 5.8.3. Ajout de contraintes cinématiques et dynamiques dans ORCA
5.2. Le problème de la planification de la trajectoire des robots mobiles 5.9. Théorie de la planification des décisions
5.2.1. Modes de représentation de l'environnement: les graphes 5.9.1. Théorie de la décision
5.2.2. Algorithmes de recherche dans les graphes 5.9.2. Systèmes de décision séquentielle
5.2.3. Introduction des coûts dans les graphes 5.9.3. Capteurs et espaces d'information
5.2.4. Algorithmes de recherche de réseaux lourds 5.9.4. Planification de l'incertitude dans la détection et l'actionnement
5.2.5. Algorithmes avec une approche sous tous les angles 5.10. Systèmes de planification d’apprentissage par renforcement
5.3. Planification dans les systèmes robotiques de haute dimension 5.10.1. Obtention de la récompense attendue d'un système
5.3.1. Problèmes de robotique à haute dimension: Manipulateurs 5.10.2. Techniques d'apprentissage par récompense modérée
5.3.2. Modèle cinématique direct/inverse 5.10.3. Apprentissage par renforcement inverse
5.3.3. Algorithmes de planification de l'échantillonnage PRM et RRT
5.3.4. Planification sous contraintes dynamiques Module 6. Techniques de Vision Artificielle en Robotique: Traitement et analyse
5.4. Planification optimale de l'échantillonnage d'images
5.4.1. Problèmes des planificateurs basés sur l'échantillonnage 6.1. Vision par ordinateur
5.4.2. RRT Concept d'optimalité probabiliste 6.1.1. Vision par ordinateur
5.4.3. Étape de reconnexion: contraintes dynamiques 6.1.2. Éléments d'un système de vision par ordinateur
5.4.4. CForest Parallélisation de la planification 6.1.3. Outils mathématiques
5.5. Implémentation réelle d'un système de planification des mouvements 6.2. Capteurs optiques pour la robotique
5.5.1. Problème de planification globale Environnements dynamiques 6.2.1. Capteurs optiques passifs
5.5.2. Cycle d'action, sensorisation Acquisition d'informations à partir de l'environnement 6.2.2. Capteurs optiques actifs
5.5.3. Planification locale et globale 6.2.3. Capteurs non optiques
Structure et contenu | 31

6.3. Acquisition d'images Module 7. Systèmes de Perception Visuelle des Robots avec Apprentissage
6.3.1. Représentation de l'image Automatique
6.3.2. Espace de couleurs
7.1. Méthodes d'apprentissage non supervisé appliquées à la Vision Artificielle
6.3.3. Processus de numérisation
7.1.1. Clustering
6.4. Géométrie de l'image
7.1.2. PCA
6.4.1. Modèles d'objectifs
7.1.3. Nearest Neighbors
6.4.2. Modèles de caméra
7.1.4. Similarity and Matrix Decomposition
6.4.3. Étalonnage de la caméra
7.2. Méthodes d'apprentissage supervisé appliquées à la Vision Artificielle
6.5. Outils mathématiques
6.5.1. Histogramme d'une image 7.2.1. Concept “Bag of Words”
6.5.2. Convolution 7.2.2. Machine à support vectoriel
6.5.3. Transformée de Fourier 7.2.3. Latent Dirichlet Allocation
6.6. Prétraitement des images 7.2.4. Réseaux neuronaux
6.6.1. Analyse du bruit 7.3. Réseaux neuronaux profonds: structures, Backbones et Transfer Learning
6.6.2. Lissage de l'image 7.3.1. Couches génératrices de Features
6.6.3. Amélioration de l'image 7.3.3.1. VGG
6.7. Segmentation des images 7.3.3.2. Densenet
6.7.1. Techniques basées sur les contours 7.3.3.3. ResNet
6.7.2. Techniques basées sur l’ histogramme 7.3.3.4. Inception
6.7.3. Opérations morphologiques 7.3.3.5. GoogLeNet
6.8. Détection des caractéristiques de l'image 7.3.2. Transfer Learning
6.8.1. Détection des points d'intérêt 7.3.3. Les données Préparation à la formation
6.8.2. Descripteurs de caractéristiques 7.4. Vision Artificielle avec apprentissage profond I: détection et segmentation
6.8.3. Correspondances entre les caractéristiques 7.4.1. YOLO et SSD Différences et similitudes
6.9. Systèmes de vision 3D 7.4.2. Unet
6.9.1. Perception 3D 7.4.3. Autres structures
6.9.2. Correspondance des caractéristiques entre les images 7.5. Vision Artificielle avec apprentissage profond II: General Adversarial Networks
6.9.3. Géométrie à vues multiples 7.5.1. Super-résolution d'images à l'aide du GAN
6.10. Localisation basée sur la vision par ordinateur 7.5.2. Création d'images réalistes
6.10.1. Le problème de la localisation des robots 7.5.3. Scene Understanding
6.10.2. Odométrie visuelle 7.6. Techniques d'apprentissage pour la localisation et la cartographie en Robotique mobile
6.10.3. Fusion sensorielle 7.6.1. Détection de fermeture de boucle
7.6.2. Magic Leap. Super Point et Super Glue
7.6.3. Depth from Monocular
32 | Structure et contenu

7.7. Inférence bayésienne et modélisation 3D


7.7.1. Modèles bayésiens et apprentissage "classique”
7.7.2. Surfaces implicites avec processus gaussiens (GPIS)
7.7.3. Segmentation 3D à l'aide de GPIS
7.7.4. Réseaux neuronaux pour la modélisation de surfaces en 3D
7.8. Applications End-to-End des réseaux neuronaux profonds
7.8.1. Systèmes End-to-end. Exemple d'identification des personnes
7.8.2. Manipulation d'objets à l'aide de capteurs visuels
7.8.3. Génération et planification de mouvements à l'aide de capteurs visuels
7.9. Technologies en nuage pour accélérer le développement d'algorithmes de Deep Learning
7.9.1. Utilisation de GPU pour le Deep Learning
7.9.2. Développement agile avec Google Colab
7.9.3. GPU distants, Google Cloud et AWS
7.10. Déploiement de réseaux neuronaux dans des applications réelles
7.10.1. Systèmes embarqués
7.10.2. Déploiement de Réseaux Neuronaux Utilisation
7.10.3. Optimisation des réseaux lors du déploiement, exemple avec TensorRT

Module 8. SLAM Visuel Localisation et cartographie simultanées de


robots à l'aide de techniques de Vision Artificielle
8.1. Localisation et Cartographie Simultanées (SLAM)
8.1.1. Localisation et Cartographie Simultanées SLAM
8.1.2. Applications de la SLAM
8.1.3. Fonctions du SLAM
8.2. Géométrie projective
8.2.1. Modèle Pin-Hole
8.2.2. Estimation des paramètres intrinsèques d’une caméra
8.2.3. Homographie, principes de base et estimation
8.2.4. Matrice fondamentale, principes et estimation
8.3. Filtres Gaussiens
8.3.1. Filtre de Kalman
8.3.2. Filtre d'information
8.3.3. Accord et paramétrage du filtre Gaussien
Structure et contenu | 33

8.4. EKF-SLAM stéréo


8.4.1. Géométrie de la caméra stéréo
8.4.2. Extraction et recherche de caractéristiques
8.4.3. Filtrage de Kalman pour le SLAM stéréo
8.4.4. Réglage des paramètres de l'EKF-SLAM stéréo
8.5. EKF-SLAM monoculaire
8.5.1. Paramétrage de Landmarks dans EKF-SLAM
8.5.2. Filtrage de Kalman pour le SLAM monoculaire
8.5.3. Réglage des paramètres l'EKF-SLAM monoculaire
8.6. Détection de fermeture de boucle
8.6.1. Algorithme de force brute
8.6.2. FABMAP
8.6.3. Abstraction à l'aide de GIST et HOG
8.6.4. Détection par apprentissage profond
8.7. Graph-SLAM
8.7.1. Graph-SLAM
8.7.2. RGBD-SLAM
8.7.3. ORB-SLAM
8.8. Direct Visual SLAM
8.8.1. Analyse de l'algorithme Direct Visual SLAM
8.8.2. LSD-SLAM
8.8.3. SVO
8.9. Visual Inertial SLAM
8.9.1. Intégration des mesures inertielles
8.9.2. Faible couplage: SOFT-SLAM
8.9.3. Couplage élevé: Vins-Mono
8.10. Autres technologies SLAM
8.10.1. Applications en dehors du SLAM visuel
8.10.2. Lidar-SLAM
8.10.2. Range-only SLAM
34 | Structure et contenu

Module 9. Application à la Robotique des Technologies de Réalité


Virtuelle et Augmentée
9.1. Technologies immersives en Robotique
9.1.1. Réalité Virtuelle en Robotique
9.1.2. Réalité Augmentée en Robotique
9.1.3. Réalité Mixte en Robotique
9.1.4. Différence entre les réalités
9.2. Construction d'environnements virtuels
9.2.1. Matériaux et textures
9.2.2. Éclairage
9.2.3. Son et odeur virtuels
9.3. Modélisation de robots dans des environnements virtuels
9.3.1. Modélisation géométrique
9.3.2. Modélisation physique
9.3.3. Normalisation des modèles
9.4. Modélisation de la Dynamique et de la Cinématique des Robots: Moteurs
Physiques Virtuels
9.4.1. Moteurs physiques Typologie
9.4.2. Configuration d'un moteur physique
9.4.3. Moteurs physiques dans l'industrie
9.5. Plateformes, périphériques et outils les plus couramment utilisés en Réalité Virtuelle
9.5.1. Visionneuses de réalité virtuelle
9.5.2. Périphériques d'interaction
9.5.3. Capteurs virtuels
9.6. Systèmes de réalité augmentée
9.6.1. Insertion d'éléments virtuels dans la réalité
9.6.2. Types de marqueurs visuels
9.6.3. Technologies de la réalité augmentée
9.7. Metaverse: Environnements Virtuels d'Agents Intelligents et de Personnes
9.7.1. Création d'avatars
9.7.2. Agents intelligents dans les environnements virtuels
9.7.3. Création d'environnements VR/AR multi-utilisateurs
Structure et contenu | 35

9.8. Création de projets de réalité virtuelle pour la robotique 10.5. Gestion du dialogue: stratégies heuristiques/probabilistes
9.8.1. Phases de développement d'un projet de réalité virtuelle 10.5.1. Intention de l'interlocuteur
9.8.2. Déploiement de systèmes de réalité virtuelle 10.5.2. Dialogue basé sur un modèle
9.8.3. Ressources en matière de réalité virtuelle 10.5.3. Gestion du dialogue stochastique: réseaux bayésiens
9.9. Création de projets de Réalité Augmentée pour la Robotique 10.6. Gestion du dialogue: Stratégies avancées
9.9.1. Phases de développement d'un projet de Réalité Augmentée 10.6.1. Systèmes d'apprentissage par renforcement
9.9.2. Déploiement de projet de réalité Augmentée 10.6.2. Systèmes basés sur les réseaux neuronaux
9.9.3. Ressources en réalité augmentée 10.6.3. De la parole à l'intention dans un seul réseau
9.10. Téléopération de robots avec des dispositifs mobiles 10.7. Génération de Réponses et Synthèse Vocale
9.10.1. Réalité mixte mobile 10.7.1. Génération de réponses: De l'idée au texte cohérent
9.10.2. Systèmes immersifs utilisant des capteurs de dispositifs mobiles 10.7.2. Synthèse vocale par concaténation
9.10.3. Exemples de projets mobiles 10.7.3. Synthèse stochastique de la parole
10.8. Adaptation et contextualisation du dialogue
Module 10. Systèmes de Communication et d'Interaction avec les Robots
10.8.1. Initiative de dialogue
10.1. Reconnaissance de la parole: systèmes stochastiques 10.8.2. Adaptation à l'interlocuteur
10.1.1. Modélisation acoustique de la parole 10.8.3. Adaptation au contexte du dialogue
10.1.2. Modèles cachés de Markov 10.9. Robots et interactions sociales: reconnaissance, synthèse et expression des émotions
10.1.3. Modélisation linguistique de la parole: N-Grammes, grammaires BNF 10.9.1. Paradigmes de la voix artificielle: voix robotique et voix naturelle
10.2. Reconnaissance de la parole: Deep Learning 10.9.2. Reconnaissance des émotions et analyse des sentiments
10.2.1. Réseaux neuronaux profonds 10.9.3. Synthèse vocale émotionnelle
10.2.2. Réseaux neuronaux récurrent 10.10. Robots et Interactions Sociales: Interfaces Multimodales Avancées
10.2.3. Cellules LSTM 10.10.1. Combinaison d'interfaces vocales et tactiles
10.3. Reconnaissance de la Parole: Prosodie et effets environnementaux 10.10.2. Reconnaissance et traduction de la langue des signes
10.3.1. Bruit ambiant 10.10.3. Avatars visuels: traduction de la parole en langue des signes
10.3.2. Reconnaissance de plusieurs locuteurs
10.3.3. Pathologies de la parole
10.4. Compréhension du Langage Naturel: Systèmes Heuristiques et Probabilistes
10.4.1. Analyse syntactico-sémantique: règles linguistiques
10.4.2. Compréhension basée sur des règles heuristiques
10.4.3. Systèmes probabilistes: régression logistique et SVM
10.4.4. Compréhension basée sur les réseaux neuronaux
06
Méthodologie
Ce programme de formation offre une manière différente d'apprendre. Notre
méthodologie est développée à travers un mode d'apprentissage cyclique: le Relearning.

Ce système d'enseignement est utilisé, par exemple, dans les écoles de médecine les
plus prestigieuses du monde et a été considéré comme l'un des plus efficaces par des
publications de premier plan telles que le New England Journal of Medicine.
Méthodologie | 37

Découvrez Relearning, un système qui renonce à


l'apprentissage linéaire conventionnel pour vous
emmener à travers des systèmes d'enseignement
cycliques: une façon d'apprendre qui s'est avérée
extrêmement efficace, en particulier dans les
matières qui exigent la mémorisation”
38 | Méthodologie

Étude de Cas pour mettre en contexte tout le contenu


Notre programme offre une méthode révolutionnaire de développement
des compétences et des connaissances. Notre objectif est de renforcer les
compétences dans un contexte changeant, compétitif et hautement exigeant.

Avec TECH, vous pouvez


expérimenter une manière
d'apprendre qui ébranle les
fondations des universités
traditionnelles du monde entier”

Vous bénéficierez d'un système


d'apprentissage basé sur la répétition, avec
un enseignement naturel et progressif sur
l'ensemble du cursus.
Méthodologie | 39

Une méthode d'apprentissage innovante et différente


Cette formation TECH est un programme d'enseignement intensif, créé de
toutes pièces, qui propose les défis et les décisions les plus exigeants dans ce
domaine, tant au niveau national qu'international. Grâce à cette méthodologie,
l'épanouissement personnel et professionnel est stimulé, faisant ainsi un pas
décisif vers la réussite. La méthode des cas, technique qui constitue la base de
ce contenu, permet de suivre la réalité économique, sociale et professionnelle
la plus actuelle.

Notre programme vous prépare


à relever de nouveaux défis dans
des environnements incertains et
à réussir votre carrière”

La méthode des cas a été le système d'apprentissage le plus utilisé par les meilleures
facultés du monde. Développée en 1912 pour que les étudiants en Droit n'apprennent pas
seulement le droit sur la base d'un contenu théorique, la méthode des cas consiste à leur
présenter des situations réelles complexes afin qu'ils prennent des décisions éclairées et
des jugements de valeur sur la manière de les résoudre. En 1924, elle a été établie comme
L'étudiant apprendra, par des activités méthode d'enseignement standard à Harvard.
collaboratives et des cas réels, à Dans une situation donnée, que doit faire un professionnel? C'est la question à laquelle
résoudre des situations complexes dans nous sommes confrontés dans la méthode des cas, une méthode d'apprentissage

des environnements commerciaux réels. orientée vers l'action. Tout au long du programme, les étudiants seront confrontés à de
multiples cas réels. Ils devront intégrer toutes leurs connaissances, faire des recherches,
argumenter et défendre leurs idées et leurs décisions.
40 | Méthodologie

Relearning Methodology
TECH combine efficacement la méthodologie des études de cas avec
un système d'apprentissage 100% en ligne basé sur la répétition, qui
associe 8 éléments didactiques différents dans chaque leçon.

Nous enrichissons l'Étude de Cas avec la meilleure méthode


d'enseignement 100% en ligne: le Relearning.

En 2019, nous avons obtenu les


meilleurs résultats d'apprentissage de
toutes les universités en ligne du monde.

À TECH, vous apprenez avec une méthodologie de pointe conçue pour


former les managers du futur. Cette méthode, à la pointe de la pédagogie
mondiale, est appelée Relearning.

Notre université est la seule université autorisée à utiliser cette méthode qui
a fait ses preuves. En 2019, nous avons réussi à améliorer les niveaux de
satisfaction globale de nos étudiants (qualité de l'enseignement, qualité des
supports, structure des cours, objectifs...) par rapport aux indicateurs de la
meilleure université en ligne.
Méthodologie | 41

Dans notre programme, l'apprentissage n'est pas un processus linéaire, mais


se déroule en spirale (apprendre, désapprendre, oublier et réapprendre). Par
conséquent, chacun de ces éléments est combiné de manière concentrique.
Cette méthodologie a permis de former plus de 650.000 diplômés universitaires
avec un succès sans précédent dans des domaines aussi divers que la biochimie,
la génétique, la chirurgie, le droit international, les compétences en gestion, les
sciences du sport, la philosophie, le droit, l'ingénierie, le journalisme, l'histoire,
les marchés financiers et les instruments. Tout cela dans un environnement très
exigeant, avec un corps étudiant universitaire au profil socio-économique élevé et
dont l'âge moyen est de 43,5 ans.

Le Relearning vous permettra d'apprendre avec moins


d'efforts et plus de performance, en vous impliquant
davantage dans votre formation, en développant un esprit
critique, en défendant des arguments et en contrastant
les opinions: une équation directe vers le succès.

À partir des dernières preuves scientifiques dans le domaine des neurosciences,


non seulement nous savons comment organiser les informations, les idées, les
images et les souvenirs, mais nous savons aussi que le lieu et le contexte dans
lesquels nous avons appris quelque chose sont fondamentaux pour notre capacité
à nous en souvenir et à le stocker dans l'hippocampe, pour le conserver dans notre
mémoire à long terme.

De cette manière, et dans ce que l'on appelle Neurocognitive context-dependent


e-learning, les différents éléments de notre programme sont reliés au contexte
dans lequel le participant développe sa pratique professionnelle.
42 | Méthodologie

Ce programme offre le support matériel pédagogique, soigneusement préparé pour les professionnels:

30%
Support d’étude
Tous les contenus didactiques sont créés par les spécialistes qui enseigneront le cours,
spécifiquement pour le cours, afin que le développement didactique soit vraiment
spécifique et concret.
Ces contenus sont ensuite appliqués au format audiovisuel, pour créer la méthode de
travail TECH en ligne. Tout cela, avec les dernières techniques qui offrent des pièces de
haute qualité dans chacun des matériaux qui sont mis à la disposition de l'étudiant.

Cours magistraux
Il existe des preuves scientifiques de l'utilité de l'observation par un tiers expert.
La méthode "Learning from an Expert" renforce les connaissances et la mémoire,
et donne confiance dans les futures décisions difficiles.

Pratiques en compétences et aptitudes 10%


Les étudiants réaliseront des activités visant à développer des compétences et des
aptitudes spécifiques dans chaque domaine. Des activités pratiques et dynamiques
pour acquérir et développer les compétences et aptitudes qu'un spécialiste doit
développer dans le cadre de la mondialisation dans laquelle nous vivons.

Lectures complémentaires
8%
Articles récents, documents de consensus et directives internationales, entre autres.
Dans la bibliothèque virtuelle de TECH, l'étudiant aura accès à tout ce dont il a besoin
pour compléter sa formation.
Méthodologie | 43

Case studies
Ils réaliseront une sélection des meilleures études de cas choisies spécifiquement
pour ce diplôme. Des cas présentés, analysés et tutorés par les meilleurs
spécialistes de la scène internationale.

20%

Résumés interactifs
L'équipe TECH présente les contenus de manière attrayante et dynamique dans
des pilules multimédia comprenant des audios, des vidéos, des images, des
diagrammes et des cartes conceptuelles afin de renforcer les connaissances.
Ce système éducatif unique pour la présentation de contenu multimédia a été
récompensé par Microsoft en tant que "European Success Story".

25%
Testing & Retesting
Les connaissances de l'étudiant sont périodiquement évaluées et réévaluées tout
4% au long du programme, par le biais d'activités et d'exercices d'évaluation et d'auto-
3% évaluation, afin que l'étudiant puisse vérifier comment il atteint ses objectifs.
07
Diplôme
Le Mastère Spécialisé en Robotique vous garantit, en plus de la formation la plus
rigoureuse et la plus actuelle, l’accès à un diplôme universitaire de Mastère Spécialisé
délivré par TECH Université Technologique.
Diplôme | 45

Complétez ce programme et recevez


votre diplôme sans avoir à vous
soucier des déplacements ou des
démarches administratives inutiles’’
46 | Diplôme

Ce Mastère Spécialisé en Robotique contient le programme le plus complet Le diplôme délivré par TECH Université Technologique indiquera la note obtenue
et le plus à jour du marché. lors du Mastère Spécialisé, et répond aux exigences communément demandées
par les bourses d’emploi, les concours et les commissions d’évaluation des
Après avoir réussi l’évaluation, l’étudiant recevra par courrier postal* avec accusé carrières professionnelles.
de réception son correspondant diplôme de Mastère Spécialisé délivré par TECH
Université Technologique. Diplôme: Mastère Spécialisé en Robotique
N.º d’Heures Officielles: 1.500 h.

*Si l’étudiant souhaite que son diplôme version papier possède l’Apostille de La Haye, TECH EDUCATION fera les démarches nécessaires pour son obtention moyennant un coût supplémentaire.
Mastère Spécialé
Robotique
» Modalité: en ligne
» Durée: 12 mois
» Qualification: TECH Université Technologique
» Intensité: 16h/semaine
» Horaire: à votre rythme
» Examens: en ligne
Mastère Spécialé
Robotique

Vous aimerez peut-être aussi