Visão Geral

O Curso Fundamentals of Perception for Autonomous Systems apresenta os conceitos essenciais de percepção computacional aplicados a sistemas autônomos, com foco em veículos inteligentes e soluções ADAS. O treinamento explora como máquinas interpretam o ambiente ao seu redor por meio de sensores e algoritmos avançados, transformando dados brutos em informações úteis para navegação e tomada de decisão.

Serão abordados fundamentos de visão computacional, processamento de sinais, aprendizado de máquina e técnicas de sensor fusion, permitindo ao participante entender como sistemas modernos detectam objetos, reconhecem padrões, estimam distâncias e constroem representações do ambiente em tempo real.

Objetivo

Após realizar este curso Fundamentals of Perception for Autonomous Systems, você será capaz de:

• Compreender os princípios de percepção em sistemas autônomos
• Interpretar dados provenientes de sensores como câmeras, LiDAR e radar
• Aplicar técnicas básicas de visão computacional
• Implementar algoritmos simples de detecção e classificação de objetos
• Entender fundamentos de deep learning aplicados à percepção
• Trabalhar com dados espaciais e temporais
• Compreender pipelines de percepção em ADAS e veículos autônomos
• Aplicar conceitos iniciais de sensor fusion

Publico Alvo

• Engenheiros de software
• Engenheiros automotivos
• Desenvolvedores de sistemas embarcados
• Profissionais de data science e IA
• Especialistas em ADAS e veículos autônomos
• Estudantes de tecnologia interessados em percepção computacional

Pre-Requisitos

• Lógica de programação (Python recomendado)
• Fundamentos básicos de matemática (álgebra linear e probabilidade)
• Noções básicas de inteligência artificial (desejável)
• Conhecimentos básicos de sensores (diferencial)

Materiais

Conteúdo Programatico

Module 1: Introduction to Perception Systems

1. What is perception in autonomous systems
2. Perception vs localization vs planning
3. Overview of perception pipelines

Module 2: Sensors for Perception

1. Cameras, LiDAR, Radar fundamentals
2. Strengths and limitations of each sensor
3. Sensor data formats

Module 3: Image Processing Fundamentals

1. Image representation and color spaces
2. Filtering and transformations
3. Edge detection techniques

Module 4: Computer Vision Basics

1. Feature detection and extraction
2. Object detection fundamentals
3. Image segmentation basics

Module 5: Depth and Spatial Understanding

1. Stereo vision principles
2. Depth estimation techniques
3. 3D perception basics

Module 6: Introduction to Machine Learning for Perception

1. Supervised vs unsupervised learning
2. Classification and regression basics
3. Model evaluation metrics

Module 7: Deep Learning for Perception

1. Neural networks fundamentals
2. Convolutional Neural Networks (CNNs)
3. Object detection models (YOLO, SSD)

Module 8: LiDAR and Point Cloud Processing

1. Point cloud structure and processing
2. Object detection in 3D space
3. Clustering and segmentation

Module 9: Sensor Fusion Fundamentals

1. Why sensor fusion is needed
2. Early vs late fusion
3. Basic fusion techniques

Module 10: Perception Pipeline Architecture

1. Data acquisition and preprocessing
2. Real-time processing constraints
3. Integration with decision systems

Module 11: Evaluation and Metrics

1. Accuracy, precision, recall
2. IoU (Intersection over Union)
3. Benchmark datasets (KITTI, COCO)

Module 12: Practical Applications and Mini Project

1. ADAS perception use cases
2. Autonomous driving scenarios
3. Mini project: object detection pipeline