Riassunto analitico
Il Machine Learning è una branca dell’intelligenza artificiale che conferisce ad un sistema la capacità di imparare a svolgere uno o più compiti sulla base delle informazioni ottenute da un set di dati, senza essere esplicitamente programmato per tale compito e senza l’intervento dell’uomo. Le applicazioni basate sul Machine Learning sfruttano le conoscenze acquisite durante la fase di allenamento per prendere decisioni e fare previsioni autonomamente.
Il Reinforcement Learning (RL) è una tecnica di Machine Learning che fa riferimento a tutti gli algoritmi ispirati alla struttura e funzionamento del cervello umano, chiamati reti neurali artificiali. L’obiettivo di questa tecnica è quello di dotare un sistema della capacità di analizzare quali azioni è possibile intraprendere a seguito di un evento e prendere la miglior decisione possibile, esattamente come farebbe un essere umano.
Sebbene questo approccio sia ancora in fase di valutazione per i sistemi di produzione, alcune applicazioni, tra cui la robotica collaborativa, sembrano rivelarsi particolarmente adatte all’implementazione di questa tecnologia. Infatti, la necessità di integrare l’automazione nella fabbrica intelligente, sostituendo i robot industriali con robot collaborativi in grado di lavorare in sicurezza a stretto contatto con l’operatore, si sposa perfettamente con la capacità degli algoritmi di RL di imparare autonomamente sulla base delle esperienze raccolte. Uno dei maggiori limiti del Reinforcement Learning è rappresentato dall’incapacità della rete neurale di distinguere quali campioni all’interno del set di dati raccolto siano utili e quali non lo siano, a differenza del cervello umano. Questa mancanza si traduce nella necessità di acquisire ed analizzare un numero di dati molto elevato durante l’allenamento, che può risultare dunque estremamente lungo.
L’obiettivo di questo lavoro di tesi è quello di sviluppare un algoritmo di Reinforcement Learning che consenta ad un manipolatore collaborativo a 6 assi di effettuare operazioni di Pick and Place. Una volta completato l’allenamento della rete neurale, si procederà all’implementazione di un sistema in grado di ridurne le tempistiche. La soluzione adottata consiste nell’integrazione di un sistema di interazione vocale tramite il quale l’operatore è in grado di comunicare con il robot durante l’allenamento e fornire informazioni utili al completamento delle operazioni. I due allenamenti verranno condotti separatamente in ambiente simulato e saranno validati e confrontati nella successiva fase sperimentale.
|
