Programa do Curso

Introdução ao Aprendizado de Robôs

  • Visão geral do aprendizado de máquina em robótica
  • Aprendizado supervisionado vs não supervisionado vs por reforço
  • Aplicações de RL no controle, navegação e manipulação

Fundamentos do Aprendizado por Reforço

  • Processos decisórios markovianos (MDP)
  • Política, função de valor e recompensa
  • Equilíbrio entre exploração e exploração

Algoritmos Clássicos de RL

  • Q-learning e SARSA
  • Métodos Monte Carlo e diferenças temporais
  • Iteração de valor e política

Técnicas de Aprendizado Profundo por Reforço

  • Combinando aprendizado profundo com RL (Redes Neurais Profundas Q)
  • Métodos de gradiente de política
  • Algoritmos avançados: A3C, DDPG e PPO

Ambientes de Simulação para Aprendizado de Robôs

  • Usando OpenAI Gym e ROS 2 para simulação
  • Criando ambientes personalizados para tarefas robóticas
  • Avaliando desempenho e estabilidade do treinamento

Aplicando RL à Robótica

  • Aprendendo políticas de controle e movimento
  • Aprendizado por reforço para manipulação robótica
  • Aprendizado por reforço multi-agente em robótica de enxame

Otimização, Implantação e Integração no Mundo Real

  • Ajuste de hiperparâmetros e modelagem de recompensa
  • Transferindo políticas aprendidas da simulação para a realidade (Sim2Real)
  • Implantando modelos treinados em hardware robótico

Resumo e Próximos Passos

Requisitos

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

Público-Alvo

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

Declaração de Clientes (1)

Próximas Formações Provisórias

Categorias Relacionadas