Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
480 - Informática
Departamento / Department
Departamento de Tecnologias Digitais
Ano letivo / Execution Year
2025/2026
Pré-requisitos / Pre-Requisites
Conhecimentos de programação (Python) Bases de Inteligência Artificial
Objetivos Gerais / Objectives
O principal objetivo desta unidade curricular é desenvolver competências avançadas em robótica inteligente, com ênfase na aplicação de métodos de aprendizagem automática em sistemas robóticos. Para tal, serão explorados algoritmos e técnicas fundamentais para navegação, manipulação e interação em ambientes dinâmicos, promovendo uma compreensão teórica e prática, incluindo o uso extensivo de simulações para modelar e validar soluções. Adicionalmente, pretende-se capacitar os estudantes a projetar e implementar soluções inovadoras para desafios complexos, integrando sensores, atuadores e sistemas de controlo inteligentes. Espera-se que os estudantes explorem e apliquem as ferramentas mais relevantes no domínio da robótica e aprendizagem automática, com atenção particular ao uso de plataformas como o Robot Operating System (ROS) e frameworks como PyTorch. Além disso, deverão utilizar ambientes de simulação, como Webots, para testar os sistemas robóticos em condições controladas.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
No final da UC, o estudante deverá ser capaz de: OA1: Entender os conceitos fundamentais de robótica inteligente e as suas principais aplicações em sistemas autónomos. OA2: Implementar algoritmos de navegação para robôs em ambientes simulados, utilizando o Robot Operating System (ROS). OA3: Estudar métodos de percepção e interpretação sensorial que possibilitem a criação de representações precisas do ambiente, bem como o desenvolvimento de técnicas para localização de robôs móveis e aplicação de métodos SLAM. OA4: Treinar modelos de aprendizagem profunda em robôs para tarefas como reconhecimento de objetos e tomada de decisão, e melhorar a precisão e adaptação de robôs em tarefas de navegação em tempo real. OA5: Investigar métodos de interação homem-robô, com foco na comunicação intuitiva e na colaboração em ambientes partilhados. OA6: Projetar e testar um sistema robótico com integração de diferentes tipos de sensores para realizar tarefas autónomas de mapeamento e localização.
Conteúdos Programáticos / Syllabus
CP1: Fundamentos de Robótica Inteligente, definição, conceitos básicos e aplicações; Principais componentes de um sistema robótico inteligente e tipos de robôs autónomos; Tecnologias emergentes em robótica e inteligência artificial. CP2: Introdução ao ROS; Navegação em ambientes simulados; Implementação prática de algoritmos de navegação utilizando simulações. CP3: Percepção e Interpretação Sensorial em Robótica; Tipos de sensores utilizados; Métodos de aquisição e processamento de dados sensoriais; Introdução ao SLAM. CP4: Aprendizagem supervisionada, evolutiva, por reforço e aprendizagem profunda para robótica. Aplicações para reconhecimento de objetos, navegação e tomada de decisões autónomas. CP5: Interação Homem-Robô e Colaboração: Fundamentos, interfaces de comunicação, feedback e controle. Métodos de comunicação intuitiva; Robôs colaborativos (cobots). CP6: Projeto e Teste de Sistemas Robóticos Integrados
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's content dovetails with the specified learning outcomes
Os conteúdos programáticos estão alinhados com os objetivos de aprendizagem da UC, de forma a garantir que cada um contribua para o desenvolvimento das competências propostas: O CP1 está diretamente relacionado com o OA1, proporcionando os conceitos básicos e as principais aplicações de sistemas autónomos robóticos. O CP2 contribui para o OA2, permitindo aos alunos implementar algoritmos de navegação em ambientes simulados. O CP3 está vinculado ao OA3, abordando os tipos de sensores e as técnicas de SLAM para criar representações precisas do ambiente e possibilitar a localização de robôs móveis. O CP4 alinha-se com o OA4, focando no treino de modelos de aprendizagem profunda para tarefas de reconhecimento. O CP5 contribui para o OA5, explorando a comunicação intuitiva e a colaboração entre humanos e robôs. Finalmente, o CP6 corresponde ao OA6, permitindo o desenvolvimento e teste de sistemas robóticos com integração de sensores para tarefas de mapeamento e localização autónoma.
Avaliação / Assessment
A avaliação desta UC segue o modelo de avaliação ao longo do semestre, privilegiando-se o acompanhamento regular do progresso dos estudantes, bem como o desenvolvimento de um projeto final que consolida os conhecimentos e competências adquiridos. Possuí a seguinte composição - 4 Desafios Semanais (40%): Ao longo do semestre, serão propostos desafios semanais baseados em mini-projetos, a submeter na plataforma de e-learning, que visam avaliar a compreensão e a aplicação dos tópicos abordados. Cada desafio será corrigido com feedback formativo, permitindo ao estudante melhorar continuamente a sua compreensão dos conteúdos. A média final de todos os desafios semanais terá de ser igual ou superior a 9,5 valores. Caso contrário, o estudante será considerado reprovado nesta componente. Os desafios semanais poderão ser realizados individualmente ou em grupos. - Projeto Final (60%): O projeto final, realizado em grupos, consiste no desenvolvimento de um sistema robótico integrado. Os estudantes deverão conceber e implementar uma solução coerente, preparar um relatório técnico que descreva a abordagem, as metodologias utilizadas, os resultados obtidos e as dificuldades encontradas, e realizar uma apresentação oral (online) do trabalho, justificando as opções adotadas e discutindo melhorias potenciais. O projeto final tem uma nota mínima de 9,5 valores. Em conformidade com o RGACC, o estudante pode optar pela avaliação por exame (na 1ª época, 2ª época ou época especial). Nesta modalidade, o projeto final passa a valer 100% da nota, substituindo os desafios semanais. O projeto deverá seguir as mesmas diretrizes, incluindo relatório técnico e apresentação oral, aplicando-se igualmente a nota mínima de 9,5 valores para aprovação. Para aprovação na UC, o estudante deverá obter uma nota final mínima de 10 valores, considerando a ponderação dos desafios semanais (40%) e do projeto final (60%). Caso não obtenha aprovação, será considerado reprovado. A presença nas sessões síncronas não é obrigatória. Para além do RGACC, o estudante deve consultar o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA).
Metodologias de Ensino / Teaching methodologies
A presente UC foi desenhada considerando um modelo pedagógico adequado ao regime de Ensino a Distância (EaD), assegurando uma aprendizagem flexível, autónoma e colaborativa. As metodologias utilizadas promovem a interatividade, a autonomia e a corresponsabilização do estudante no seu percurso formativo, sendo suportadas por um ecossistema digital integrado e articulado. Os conteúdos teóricos são introduzidos através de aulas online, disponibilizadas em formato vídeo (assíncronas) e complementadas por materiais multimédia, tutoriais passo a passo, guiões de exercícios e estudos de caso. Esta diversidade de recursos, acessíveis na plataforma e-learning, permite que cada estudante organize o seu ritmo de estudo, revendo e aprofundando os tópicos sempre que necessário. Para fomentar a interação e o acompanhamento, são organizadas sessões síncronas (videoconferências, webinares e salas virtuais) em horários pré-definidos. Estas sessões permitem contacto direto com o docente para esclarecimento de dúvidas, partilha de experiências e interação com os colegas. Além disso, fóruns de discussão, chats e grupos de trabalho virtuais estão permanentemente disponíveis, estimulando a comunicação entre pares e a resolução partilhada de desafios. A aprendizagem Baseada em Tarefas é implementada através da realização de desafios semanais, que os estudantes desenvolvem autonomamente com o suporte de laboratórios virtuais, simuladores robóticos e ferramentas de programação. Este trabalho autónomo é apoiado por feedback formativo dado pelo docente, disponibilizado nas plataformas de e-learning, o que orienta o estudante na superação de dificuldades técnicas ou conceptuais. A Aprendizagem Baseada em Projetos (PBL) culmina no desenvolvimento de um projeto final, integrando todos os tópicos abordados. Este projeto incentiva a aplicação prática dos conhecimentos, o pensamento crítico e a criatividade. O Design Thinking introduzido no processo orienta a resolução de problemas reais, levando os estudantes a iterar sobre as suas ideias, a recolher dados e a criar protótipos funcionais de sistemas robóticos inteligentes. O docente assume o papel de facilitador, disponibilizando-se em fóruns, videoconferências e canais de comunicação assíncrona para acompanhar o progresso, partilhar sugestões e realizar uma orientação contínua e personalizada. Esta abordagem pedagogicamente coerente, aliada à flexibilidade e aos recursos do EaD, assegura que cada estudante possa desenvolver competências técnicas (aplicação de algoritmos, integração de ferramentas, análise de resultados) e transversais (trabalho em equipa, comunicação, pensamento crítico), num ambiente virtual suportado por plataformas colaborativas, acessíveis e facilmente geríveis. Assim, as metodologias de ensino e aprendizagem adotadas respondem de forma eficaz às necessidades do regime EaD, mantendo a qualidade, a interatividade e a pertinência dos conteúdos, e garantindo a consecução dos objetivos de aprendizagem da UC.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes
As metodologias de ensino foram cuidadosamente selecionadas para atender aos objetivos de aprendizagem da UC Tópicos de Robótica Inteligente. Inicialmente, os estudantes terão a oportunidade de compreender os conceitos fundamentais de robótica inteligente e suas aplicações em sistemas autónomos (OA1) por meio de aulas teóricas e atividades introdutórias. Posteriormente, os conteúdos serão aprofundados com tarefas práticas que envolvem a implementação de algoritmos de navegação em ambientes simulados utilizando o Robot Operating System (ROS), garantindo uma aprendizagem orientada e prática (OA2). A aprendizagem também será focada em métodos de percepção e interpretação sensorial, abordando tecnologias como SLAM para criar representações precisas do ambiente e explorar técnicas de localização de robôs móveis (OA3). Complementando esses tópicos, os estudantes treinarão modelos de aprendizagem profunda aplicados a tarefas de robótica, como reconhecimento de objetos e tomada de decisão, desenvolvendo competências para melhorar a adaptação dos robôs em situações dinâmicas (OA4). Por meio de projetos colaborativos e estudos de caso, os estudantes investigarão métodos de interação homem-robô, aprimorando a comunicação intuitiva e a colaboração em ambientes partilhados (OA5). Finalmente, as atividades culminarão no projeto e teste de um sistema robótico integrado, no qual serão combinados sensores e algoritmos para a execução de tarefas autónomas, como mapeamento e localização (OA6). Em suma, as metodologias de ensino (aulas online, materiais de apoio, fóruns de discussão, ambientes de simulação) e as metodologias de avaliação (desafios semanais e projeto final) estão concebidas para se reforçarem mutuamente. As atividades práticas permitem a aplicação imediata dos conhecimentos teóricos, assegurando a progressão sistemática nos OAs. A escalada de complexidade dos desafios e o culminar no projeto final garantem que, ao concluir a UC, o estudante terá adquirido não apenas o conhecimento e a compreensão necessários, mas também a experiência de aplicação prática, análise crítica e comunicação de soluções robóticas inteligentes, plenamente coerente com os objetivos de aprendizagem propostos.
Observações / Observations
.
Bibliografia Principal / Main Bibliography
"1. Thrun, S., Burgard, W.,, Fox, D. (2005). Probabilistic robotics. Cambridge, Mass.: MIT Press. ISBN: 0262201623 9780262201629 2. Chernova, S., & Thomaz, A. L. (2014). Robot learning from human teachers. Springer. 3. Craig, 1955. (1986). Introduction to robotics : mechanics & control / John J. Craig.. Reading, Mass.: Addison-Wesley Pub. Co.,. ISBN: 0201103265
Bibliografia Secundária / Secondary Bibliography
Data da última atualização / Last Update Date
2025-05-23