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
Testemunhos de Clientes (2)
Fornecimento dos materiais (máquina virtual) para iniciar imediatamente os exercícios e explicação do núcleo do ROS2. Por que as coisas funcionam de determinada maneira.
Arjan Bakema
Curso - Autonomous Navigation & SLAM with ROS 2
Máquina Traduzida
seu conhecimento e utilização da IA para a Robótica no Futuro.
Ryle - PHILIPPINE MILITARY ACADEMY
Curso - Artificial Intelligence (AI) for Robotics
Máquina Traduzida