CONTROLLO DI UN MANIPOLATORE MEDIANTE REINFORCEMENT LEARNING PER TASK DI ASSEMBLAGGIO

L’applicazione dell’Intelligenza Artificiale nella robotica offre soluzioni promettenti per superare i limiti dei controllori tradizionali nella gestione di contatti fisici e dinamiche incerte. Lo scopo di questa tesi è di sviluppare e implementare su un manipolatore una strategia di controllo basata sul Reinforcement Learning, finalizzata all’esecuzione di task di assemblaggio. L’attività svolta ha compreso la modellazione dell’ambiente di simulazione, la definizione degli spazi di azione e osservazione, la progettazione di ricompensa e l’applicazione di un algoritmo di apprendimento. I risultati sperimentali hanno dimostrato una stabilità di convergenza dell’agente e una robustezza nell’adattarsi a scenari operativi non noti nel pieno rispetto dei vincoli di sicurezza.