Immagini di riferimento

Oggetto della tesi

Gli algoritmi di controllo e pianificazione del moto per la robotica sono sempre più basati su dati (data-driven) e sfruttano metodi di learning (reinforcement learning, deep learning, generative models) per generare traiettorie o azioni di manipolazione per risolvere compiti molto complessi. Un problema comune di questi metodi è il cosiddetto “sim-to-real” gap. I dati per il training sono generati in ambienti simulativi che non possono rappresentare la complessità del mondo reale, il che poi limita la loro performance una volta implementati sui robots reali. L’obiettivo di questa tesi è di sviluppare algoritmi e architetture di training data-driven che siano il più robuste possibili rispetto alle tipiche incertezze di modello e attuazione che causano il sim-to-real gap. I risultati saranno testati su robots tipo quadrotor UAV o quadrupede.

La tesi è svolta in collaborazione con l’INIRA, sede di Rennes, in Francia.

Strumenti

C++, ROS1/2, Gazebo, PyTorch

Docente di riferimento

Fabio Ruggiero - Questo indirizzo email è protetto dagli spambots. E' necessario abilitare JavaScript per vederlo.