Entrar em Contato

Programa do Curso

Introdução ao Aprendizado de Robôs

  • Visão geral do aprendizado de máquina em robótica
  • Aprendizado supervisionado versus não supervisionado versus por reforço
  • Aplicações do RL em controle, navegação e manipulação

Fundamentos do Aprendizado por Reforço

  • Processos de decisão markovianos (MDP)
  • Funções de política, valor e recompensa
  • Trocas entre exploração e exploração (exploration vs exploitation)

Algoritmos Clássicos de RL

  • Q-learning e SARSA
  • Métodos de Monte Carlo e diferença temporal
  • Iteração de valor e iteração de política

Técnicas de Aprendizado Profundo por Reforço

  • Combinar aprendizado profundo com RL (Redes Neurais de Q-Aprendizado / Deep Q-Networks)
  • Métodos de gradiente de política
  • Algoritmos avançados: A3C, DDPG e PPO

Ambientes de Simulação para Aprendizado de Robôs

  • Uso do OpenAI Gym e ROS 2 para simulação
  • Criação de ambientes personalizados para tarefas robóticas
  • Avaliação de desempenho e estabilidade do treinamento

Aplicação do RL à Robótica

  • Aprendizado de políticas de controle e movimento
  • Aprendizado por reforço para manipulação robótica
  • Aprendizado por reforço multiagente em robótica de enxame

Otimização, Implantação e Integração no Mundo Real

  • Ajuste de hiperparâmetros e moldagem da recompensa (reward shaping)
  • Transferência de políticas aprendidas da simulação para a realidade (Sim2Real)
  • Implantação de modelos treinados em hardware robótico

Resumo e Próximos Passos

Requisitos

  • Compreensão dos conceitos de aprendizado de máquina
  • Experiência com programação em Python
  • Conhecimento prévio sobre robótica e sistemas de controle

Público-Alvo

  • Engenheiros de aprendizado de máquina
  • Pesquisadores em robótica
  • Desenvolvedores que constroem sistemas robóticos inteligentes
 21 Horas

Número de participantes


Preço por participante

Testemunhos de Clientes (2)

Próximas Formações Provisórias

Categorias Relacionadas