Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução à Manipulação Robótica e Deep Learning
- Visão geral das tarefas de manipulação e componentes do sistema
- Abordagens tradicionais vs. abordagens baseadas em aprendizado
- Deep learning 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
- Aprendendo poses de preensão a partir de dados e simulação
- Implementação de redes de detecção de preensão (ex.: 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 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 condições variáveis e perturbações
- Compressão de modelos e implantação em dispositivos de borda
Projeto Prático: Preensão Robótica Baseada em Deep Learning
- Projetando um pipeline de percepção para ação
- Treinamento e teste de um modelo de detecção de preensão
- Integração do modelo em um braço robótico simulado
Requisitos
- Sólido entendimento de cinemática e dinâmica de robôs
- Experiência com Python e frameworks de deep learning
- Familiaridade com ROS ou middleware robótica semelhante
Público-Alvo
- Engenheiros de robótica desenvolvendo sistemas de manipulação inteligentes
- Especialistas em percepção e controle trabalhando em aplicações de preensão
- Pesquisadores e praticantes avançados em aprendizado de robôs e controle baseado em IA
28 Horas
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