Descrizione

Questa attività si concentra sullo sviluppo di algoritmi generici per la progettazione automatica di sistemi meccatronici complessi. Tali algoritmi saranno in grado di progettare sistemi ottimi per lo svolgimento di uno o più compiti prestabiliti, ottimizzando allo stesso tempo i parametri hardware del sistema ed il suo movimento per lo svolgimento dei compiti. A tale scopo testeremo tecniche di controllo ottimo diretto, che eccellono per la loro flessibilità ed efficienza computazionale derivante dall'uso dei gradienti del modello dinamico del sistema progettato, ma che, come tutti i metodi di ottimizzazione basati su gradiente, spesso tendono a trovare soluzioni locali di bassa qualità. Per sopperire a questo problema, questa attività cercherà di sfruttare algoritmi di apprendimento per rinforzo (Reinforcement Learning). Questi ultimi infatti riescono a trovare soluzioni di alta qualità grazie ad una esplorazione massiccia dello spazio delle soluzioni, senza bisogno di alcun modello del sistema, ma al prezzo di tempi di calcolo molto più lunghi. Infine, le tecniche di controllo ottimo ed apprendimento per rinforzo saranno unite in un unico algoritmo, per cercare di ottenere un metodo che sia al tempo stesso computazionalmente efficiente (grazie all'uso dei gradienti) e capace di evitare le soluzioni locali di bassa qualità (grazie alle tecniche di esplorazione globale).

L’attività si colloca all’interno della macroattività 1, Tecnologie moderne flessibili e/o indossabili, sviluppando una metodologia per la progettazione integrata di hardware complessi, tenendo conto anche degli effetti che le scelte hardware potranno avere sulle prestazioni di controllo dei dispositivi. L'utilizzo di algoritmi di progettazione automatica diventa infatti sempre più cruciale quando si ha a che fare con sistemi hardware complessi, ad esempio composti da materiali flessibili, nei quali lo spazio delle possibili soluzioni hardware cresce a dismisura e diventa perciò difficilmente esplorabile dalla mente umana. La metodologia sviluppata sarà in grado di aiutare i progettisti umani nelle loro scelte, e sarà applicabile alla progettazione di un gran numero di sistemi hardware, sia quelli più classici e facilmente modellabili (come i bracci robotici), sia quelli più complessi e difficilmente modellabili (come i soft robots).

Team

Referente: Andrea Del Prete

Gruppo di lavoro:

• Ricercatori DII: Marco Fontana

• Ricercatori esterni: Patrick Wensing e Gabriel Bravo Palacios (Notre Dame University, USA), Gabriele Fadini, Thomas Flayols e Philippe Soueres (LAAS/CNRS, France)

• Studenti PhD: Gianluigi Grandesso

• Studenti di LM o LT: Pasquale Romano (LM), Lorenzo Busellato (LT)

Partner esterni coinvolti

• Istituzioni di ricerca straniere: University of Notre Dame, USA, LAAS-CNRS Toulouse (Francia)

• Istituzioni di ricerca nazionali: Scuola Sant’Anna, Pisa

• Aziende straniere: PAL Robotics (Barcelona)