STUDIO E APPLICAZIONE DI TECNICHE DI ANOMALY DETECTION IN CONTESTI DI ROBOTICA MOBILE PER ESPLORAZIONI SPAZIALI

L’Edge AI costituisce uno dei principali campi di sviluppo in termini di strategie di On-Board Data Reduction, specialmente nel contesto dell’esplorazione robotica planetaria, che presenta severi vincoli relativi alla limitata larghezza di banda di trasmissione verso la Terra. Il presente lavoro di tesi analizza diversi sistemi di Anomaly Detection visiva esterocettivi, valutando la possibile applicazione di uno di essi per operare a bordo di rover lunari autonomi: DRÆM (Discriminatively trained Reconstruction Anomaly Embedding Model). Questo modello non supervisionato è progettato per individuare e segmentare le anomalie all’interno di un set di immagini. In particolare, DRÆM implementa una sotto-rete ricostruttiva e una U-Net discriminativa per la rilevazione delle anomalie nelle immagini di test. In fase di addestramento, le irregolarità sono sinteticamente generate dal sistema tramite rumore di Perlin, a cui è applicata una texture a partire dal dataset DTD. In primo luogo, il modello è stato validato sul benchmark MVTec AD su un numero di epoche tale da minimizzare la Segment Loss e ottimizzare la precisione nella localizzazione delle anomalie. Successivamente, l’architettura è stata adattata all’Artificial Lunar Landscape Dataset, per verificare l’attuabilità della sua traslazione dal riconoscimento di irregolarità su oggetti di produzione industriale a quella di massi di elevate dimensioni sul suolo lunare. Infine, viene analizzata l’efficacia del modello in un’applicazione realistica, sia in relazione ai suoi tempi di convergenza e costi computazionali, sia in termini di occupazione a livello hardware.