STUDIO E IMPLEMENTAZIONE DEL DEEP REINFORCEMENT LEARNING SU UN MANIPOLATORE ROBOTICO PER IL PICK AND PLACE

Il lavoro di tesi consiste nella progettazione e nell'addestramento di un controllore neurale basato sul Deep Reinforcement Learning per la gestione cinematica autonoma di un manipolatore robotico a sei gradi di libertà. A tal fine, è stata sviluppata un'architettura di co-simulazione ibrida che interfaccia un Digital Twin multi-fisico in MATLAB con un agente algoritmico in Python, ottimizzando le manovre logistico-spaziali tramite un'innovativa strategia di target swapping. I risultati finali certificano il raggiungimento di un tasso di successo assoluto, evidenziando la generazione di traiettorie fluide, precise e prive di collisioni in totale assenza di programmazione analitica classica.