TARATURA CON DEEP REINFORCEMENT LEARNING DI REGOLATORI PID PER UN BRACCIO ROBOTICO A 7 GRADI DI LIBERTÀ PER L’INSEGUIMENTO DI UNA TRAIETTORIA

The ongoing digital revolution, commonly referred to as Industry 4.0, is radically transforming the global technological and industrial landscape. The integration of advanced technologies—such as Artificial Intelligence, the Internet of Things (IoT), and cyber-physical systems—has ushered in an era in which computers have become not only more powerful, but also more compact and energy-efficient, enabling innovative applications across numerous industrial sectors. In this context, robotics has taken on a central role, becoming a fundamental pillar in the automation of production processes. This thesis focuses on the tuning of six PID controllers for a seven degrees-of-freedom (7-DOF) robotic arm, employing advanced learning methodologies—specifically Deep Deterministic Policy Gradient (DDPG)—developed within the framework of Deep Reinforcement Learning (DRL). The objective is twofold: on one hand, to optimize the control of the robotic arm, and on the other, to enable the system to plan trajectories capable of avoiding obstacles, thus ensuring safe and efficient operation.

La rivoluzione digitale in corso, comunemente definita Industria 4.0, sta trasformando radicalmente il panorama produttivo e tecnologico a livello globale. L’integrazione di tecnologie avanzate – come l’intelligenza artificiale, l’Internet of Things (IoT) e i sistemi cyber-fisici ha portato a un’epoca in cui i computer non solo sono diventati sempre più potenti, ma anche più compatti e meno energivori, consentendo applicazioni innovative in numerosi settori industriali. In questo contesto, la robotica ha assunto un ruolo centrale, diventando un pilastro fondamentale per l’automazione dei processi produttivi. La presente tesi si focalizza sulla taratura di sei regolatori PID di un braccio robotico a sette gradi di libertà (DOF), utilizzando metodologie avanzate di apprendimento – in particolare il DDPG (Deep Deterministic Policy Gradient) – sviluppate in collaborazione con il Deep Reinforcement Learning (DLR). L’obiettivo è duplice: da un lato, perfezionare il controllo del braccio robotico, e dall’altro, programmare il sistema affinché pianifichi una traiettoria in grado di evitare ostacoli, garantendo così un’operatività sicura ed efficiente.