Sistemas Autónomos

Objetivos

Abordam-se os conceitos fundamentais envolvidos em sistemas compostos por diversos agentes físicos com diversos graus de autonomia (sensores, processadores, atuadores, robots) distribuídos espacialmente. Descrevem-se conceitos e métodos fundamentais de auto localização na presença de incertezas na observação e no modelo do movimento. Apresentam-se métodos de integração da informação proveniente de vários sensores, para posicionamento e representação do mapa do mundo onde os sensores estão situados, bem como métodos para a resolução de problemas em sistemas cooperativos, incluindo a perceção cooperativa e a atribuição, planeamento e coordenação de tarefas. Termina-se com conceitos fundamentais sobre arquiteturas funcionais, de software e de hardware.

Programa

1. [2h] Introdução aos sistemas autónomos: robots móveis, redes de sensores móveis e estáticos. A incerteza em Robótica.

2. [4h] Representação probabilística da incerteza: modelos probabilísticos de observação e ação. Inferência Bayesiana. Filtro de Bayes e seus casos particulares.
3. [6h] Localização Bayesiana.
4. [1h] Mapeamento probabilístico por grelha de ocupação.
5. [3h] Localização e Mapeamento simultâneos (SLAM).
6. [6h] Planeamento de Tarefas: planeamento clássico; planeamento sob incerteza: processos de decisão de Markov (MDPs). Aprendizagem por reforço.
7. [2h] Representação de planos e coordenação da sua execução. Análise de desempenho.
8. [3h] Sistemas Cooperativos: Localização e seguimento cooperativo de objetos. Integração sensorial: métodos de fusão sensorial distribuída. Atribuição, planeamento e coordenação de tarefas cooperativas.
9. [1h] Arquiteturas funcionais, de software e de hardware.

Métodos de Ensino

Projeto realizado em grupo, em torno de tópicos da UC, com progresso apresentado semanalmente, relatório final e apresentação de poster (70%) + Exame escrito individual cobrindo todo o programa (30%).

Bibliografia

Probabilistic Robotics, S. Thrun, W. Burgard e D. Fox, 2005, MIT Press; Planning Algorithms, Steven Lavalle, 2006,
Cambridge University Press; Reinforcement Learning: an introduction, R. Sutton and A. Barto, 1998, MIT Press;
Probabilistic Robotics, Sebastian Thrun, Wolfram Burgard and Dieter Fox, 2005, MIT Press. http://www.probabilisticrobotics.org/; Artificial Intelligence: A Modern Approach (chaps. 7, 8, and 10), Stuart Russell and Peter Norvig, 2009,
Pearson.; Reinforcement Learning: An Introduction (chaps. 3 and 6, Richard S. Sutton and Andrew G. Barto, 2018, MIT
Press; Springer Handbook of Robotics (chaps. 35 and 53), Bruno Siciliano and Khatib Oussama, 2016, Springer.

Método de Avaliação

Conforme Métodos de Ensino - 100 %