Robótica e Aprendizagem Computacional

Conhecimentos de Base Recomendados

NA

Métodos de Ensino

O curso é presencial, onde as aulas (T) irão abranger conceitos chave, teorias, técnicas e algoritmos relacionados com a robótica móvel e a aprendizagem de máquinas (machine learning). As aulas práticas (PL), uma componente importante do curso, irão proporcionar oportunidades para consolidar o que foi aprendido durante as aulas (T). O trabalho prático (isto é, o trabalho do curso) será feito sob a supervisão do respectivo Professor e/ou do(s) assistente(s) de ensino. A avaliação (ou seja, a classificação) será baseada essencialmente em 2 componentes: (i) um breve relatório ou um projecto conciso relacionado com um problema prático; (ii) apresentações breves. A classificação será atribuída numa escala qualitativa com 4 níveis de aprovação (para disciplinas de cursos não conferentes de grau).

Resultados de Aprendizagem

O principal objetivo é que os estudantes (licenciatura, mestrado ou iniciais de doutoramento) compreendam os fundamentos (tanto teóricos como práticos) da robótica móvel, de sistemas automatizados e aprendizagem computacional (machine learning) e as suas aplicações em problemas do mundo real.

Estágio(s)

Não

Programa

Módulo 1. Introdução e visão geral da robótica móvel, sistemas automatizados, aprendizagem computacional (Machine Learning - ML) aplicada à robótica, condução autónoma, decisão probabilística, automação

Módulo 2. Fundamentos da robótica móvel

Módulo 3. Sistemas e hardware de robótica móvel

Módulo 4. Programação/algoritmia em robótica móvel

Módulo 5. Sistema Operativo de Robôs (ROS)

Módulo 6. Probabilidade e estatística, inferência Bayesiana, Redes Bayesianas (BN)

Módulo 7. Reconhecimento de padrões, fundamentos, algoritmos, medidas de desempenho

Módulo 8. Regressão linear e não-linear

Módulo 9. Aprendizagem profunda, técnicas avançadas

Módulo 10. Filtro de Kalman, sistemas difusos

Módulo 11. Casos de estudo relacionados com robótica, condução autónoma, automação

Módulo 12. Componente prática de ML, TensorFlow (ou ferramentas equivalentes), casos de estudo, reconhecimento de padrões, deteção de objetos

Docente(s) responsável(eis)

Cristiano Premebida

Métodos de Avaliação

Avaliação
Breve relatório ou um projecto conciso relacionado com um problema prático e Apresentações breves: 100.0%

Bibliografia

- Sebastian Thrun, Wolfram Burgard, Dieter Fox. “Probabilistic robotics”, MIT Press, (2006)

- Christopher M. Bishop "Pattern Recognition and Machine Learning". Springer (2006)

- Roland Siegwart, et al. “Introduction to Autonomous Mobile Robots”, Second Edition (2011)

- Shalom, B. “Estimation with Applications to Tracking and Navigation: Theory Algorithms and Software”. Wiley. (2001)

- Kevin P. Murphy "Machine Learning: a Probabilistic Perspective", the MIT Press (2012)

- A. Papoulis, S.U. Pillai. “Probability, Random Variables and Stochastic Processes”, (2002)

- Jerome H. Friedman, Robert Tibshirani, and Trevor Hastie. "The Elements of Statistical Learning", (2009)

- David Barber "Bayesian Reasoning and Machine Learning", Cambridge University Press (2012)

- Ian Goodfellow, Yoshua Bengio and Aaron Courville, "Deep Learning", MIT Press (2016)