PIANIFICAZIONE E CONTROLLO DEL MOVIMENTO DI UN MANIPOLATORE: CONFRONTO TRA GLI ALGORITMI RRT* E PPO SU UN ROBOT FRANKA EMIKA PANDA

Il presente lavoro di tesi affronta il problema della pianificazione del movimento per un manipolatore robotico a 7 Gradi di Libertà Franka Emika Panda, all'interno di un task tridimensionale di Pick and Place caratterizzato dalla presenza di ostacoli. Lo studio si pone l'obiettivo di condurre un confronto critico tra due approcci diversi: un algoritmo geometrico di pianificazione classica, l'RRT* (Rapidly-exploring Random Tree Star), e un approccio stocastico basato sul Reinforcement Learning, il PPO (Proximal Policy Optimization). L’architettura del task è stata progettata dividendo il task in tre fasi sequenziali: avvicinamento al punto di presa, sollevamento verticale in sicurezza e trasporto con scavalco dell'ostacolo verso il target finale. Per l'approccio basato sul Machine Learning, sono stati addestrati tre agenti indipendenti che sfruttano reti neurali Actor-Critic e l'apprendimento è stato indirizzato da un accurato reward shaping, volto a penalizzare tempi eccessivi, collisioni, violazioni dei limiti articolari e un elevato dispendio energetico misurato tramite una metrica definita Energy Proxy. A seguito di un processo di fine-tuning mirato, le performance degli agenti PPO sono migliorate drasticamente, portando il tasso di successo collision-free dal 30-40% iniziale al 90%. Parallelamente, l'implementazione algoritmica dell'RRT* è stata validata su due scenari: l'analisi priva di vincoli temporali ha confermato la capacità dell'algoritmo di generare traiettorie geometricamente ottimali e a basso costo energetico, ma a fronte di tempi di calcolo proibitivi mentre l'analisi con budget computazionale limitato ha invece evidenziato l’ inaffidabilità dell'RRT* in condizioni di tempo stringenti. È emersa inoltre una severa criticità pratica: l'interpolazione temporale dei waypoint geometrici per fluidificare il movimento genera deviazioni spaziali non previste, introducendo collisioni che fanno crollare il tasso di successo collision-free al 60%. In conclusione, l'analisi dei risultati dimostra che, pur rinunciando alle garanzie formali di completezza tipiche dei pianificatori classici, il Reinforcement Learning offre un'inferenza online reattiva e pressoché istantanea seppur lievemente impreciso. Questa caratteristica lo rende capace di superare i gravi limiti computazionali dell'RRT* in scenari time-critical, rivelandosi un approccio altamente promettente e vantaggioso per la robotica collaborativa moderna.