Entrar em Contato

Programa do Curso

Introdução à Manipulação Robótica e Aprendizado Profundo

  • Visão geral das tarefas de manipulação e componentes do sistema
  • Abordagens tradicionais versus baseadas em aprendizado
  • Aprendizado profundo na percepção, planejamento e controle

Percepção para Manipulação

  • Sensoriamento visual e detecção de objetos para preensão
  • Visão 3D, sensoriamento de profundidade e processamento de nuvens de pontos
  • Treinamento de CNNs para localização e segmentação de objetos

Planejamento e Detecção de Preensão

  • Algoritmos clássicos de planejamento de preensão
  • Aprendizado de poses de preensão a partir de dados e simulação
  • Implementação de redes de detecção de preensão (por exemplo, GGCNN, Dex-Net)

Controle e Planejamento de Movimento

  • Cinemática inversa e geração de trajetórias
  • Planejamento de movimento baseado em aprendizado e aprendizado por imitação
  • Aprendizado por reforço para políticas de controle de manipulação

Integração com ROS 2 e Ambientes de Simulação

  • Configuração de nós ROS 2 para percepção e controle
  • Simulação de manipuladores robóticos no Gazebo e Isaac Sim
  • Integração de modelos neurais para controle em tempo real

Aprendizado de Ponta a Ponta para Manipulação

  • Combinação de percepção, política e controle em redes unificadas
  • Uso de dados de demonstração para aprendizado supervisionado de políticas
  • Adaptação de domínio entre simulação e hardware real

Avaliação e Otimização

  • Métricas para sucesso, estabilidade e precisão da preensão
  • Testes sob diversas condições e perturbações
  • Compressão de modelos e implantação em dispositivos de borda

Projeto Prático: Preensão Robótica Baseada em Aprendizado Profundo

  • Desenvolvimento de um pipeline de percepção para ação
  • Treinamento e teste de um modelo de detecção de preensão
  • Integração do modelo em um braço robótico simulado

Resumo e Próximos Passos

Requisitos

  • Sólido entendimento de cinemática e dinâmica robótica
  • Experiência com Python e frameworks de aprendizado profundo
  • Familiaridade com ROS ou middleware robótico similar

Público-Alvo

  • Engenheiros de robótica desenvolvendo sistemas de manipulação inteligente
  • Especialistas em percepção e controle trabalhando com aplicações de preensão
  • Pesquisadores e profissionais avançados em aprendizado de robôs e controle baseado em IA
 28 Horas

Número de participantes


Preço por participante

Testemunhos de Clientes (2)

Próximas Formações Provisórias

Categorias Relacionadas