Riassunto analitico
Negli ultimi anni, la ricerca sulla manipolazione di oggetti da parte dei robot manipolatori ha compiuto notevoli progressi, raggiungendo livelli di avanzamento estremamente sofisticati. Tuttavia, questo progresso non è uniforme in tutti i settori della manipolazione robotica. Mentre la manipolazione di oggetti rigidi può considerarsi molto avanzata, lo stesso non si può dire per la manipolazione di oggetti deformabili. Questa disparità è dovuta a una differenza intrinseca nella complessità delle due operazioni: gli oggetti rigidi sono più facili da afferrare rispetto agli oggetti deformabili. Nel caso degli oggetti rigidi, una presa efficace richiede semplicemente l'applicazione di una forza sufficientemente elevata da superare la forza di gravità e l'inerzia dell'oggetto. Al contrario, per gli oggetti deformabili, la forza applicata provoca un cambiamento di forma che può causare danni o rotture; pertanto, è necessario considerare una certa deformazione controllata.
Per affrontare questa sfida, sono stati sviluppati vari metodi, ciascuno con le proprie caratteristiche specifiche. In questo lavoro di tesi, viene implementato un metodo di presa che si articola in due fasi principali: la prima fase consiste nella stima della classe di deformabilità dell'oggetto tramite una rete neurale, mentre la seconda utilizza questa stima per determinare i parametri di forza ottimali per la presa.
La tesi descrive l'implementazione dell'algoritmo attraverso i seguenti punti. Inizialmente, vengono presentate le criticità attuali, gli obiettivi prefissati e un'analisi della letteratura esistente per comprendere i metodi attuali. Dopo aver scelto il simulatore da utilizzare, MuJoCo, ne si definisce l'accuratezza dei risultati attraverso il confronto con un simulatore apposito per la simulazione di oggetti sottoposti a sforzi, SolidWorks. Il confronto fa emergere limiti di precisione e scalabilità nelle simulazioni in MuJoCo che hanno portato alla decisione di predire delle classi di deformabilià, piuttosto che la deformabilità puntuale, per sopperire alla mancanza di accuratezza. Successivamente, si effettuano simulazioni di presa di diversi oggetti deformabili utilizzando il simulatore fisico Mujoco. Si procede poi con la creazione di una rete neurale per stimare la classe di deformabilità dell'oggetto, utilizzando i risultati delle simulazioni per l'allenamento e la validazione della rete. Infine, si implementa un algoritmo che utilizza la stima della rete neurale per assegnare i parametri di forza ottimali per la presa. La validazione finale dell'algoritmo, avvenuta utilizzando un manipolatore robotico reale, conferma l'implementazione dell'algoritmo.
|