Corso di Robotica: 6 Intelligenza Artificiale e Robotica Autonoma

6 – Intelligenza Artificiale e Robotica Autonoma

Obiettivi del Modulo

Il sesto modulo mira a fornire agli studenti le competenze necessarie per rendere un robot autonomo, capace di prendere decisioni in base agli stimoli dell’ambiente. Gli obiettivi specifici includono:

  1. Comprendere e implementare algoritmi decisionali di base per il controllo robotico.
  2. Apprendere le logiche di automazione avanzata tramite stati finiti e regole “se-allora”.
  3. Introdurre i concetti fondamentali di machine learning applicati alla robotica.
  4. Affrontare le problematiche di localizzazione e navigazione autonoma, incluso il concetto di SLAM (Simultaneous Localization and Mapping).
  5. Sperimentare con attività pratiche per consolidare la teoria e sviluppare capacità di progettazione autonoma.

Contenuti del Modulo

1. Algoritmi decisionali di base

  • Logiche condizionali e regole “se-allora”: implementazione di decisioni reattive a eventi semplici.
  • Automi a stati finiti (Finite State Machines, FSM):
    • Definizione degli stati e transizioni.
    • Esempi: robot che cammina → rileva ostacolo → evita ostacolo → torna a camminare.
  • Comportamenti emergenti da algoritmi semplici combinati tra loro.

2. Introduzione al machine learning per robotica

  • Principi di apprendimento supervisionato e non supervisionato.
  • Applicazioni comuni in robotica: riconoscimento immagini, classificazione ostacoli, predizione percorsi.
  • Esempi di librerie Python: TensorFlow, PyTorch, OpenCV per visione artificiale.
  • Concetti di training, validation e testing dei modelli predittivi.

3. Localizzazione e navigazione autonoma

  • Sensori per la localizzazione: LIDAR, IMU, encoder, GPS (se applicabile).
  • Mappe e riferimenti spaziali: coordinate cartesiane, grid map, occupancy map.
  • SLAM (Simultaneous Localization and Mapping):
    • Creazione dinamica di mappe dell’ambiente.
    • Localizzazione del robot all’interno della mappa.
    • Algoritmi di base: EKF-SLAM, Graph-SLAM.
  • Pianificazione del percorso e avoidance di ostacoli.
  • Gestione di dati rumorosi e incertezza tramite filtri (Kalman, particelle).

Attività pratiche

1. Robot che evita ostacoli autonomamente

  • Uso combinato di sensori ultrasuoni o LIDAR e algoritmi di controllo.
  • Implementazione di FSM per gestire stati: “avanti”, “ostacolo rilevato”, “manovra di evitamento”.
  • Valutazione della performance: distanza media dall’ostacolo, tempo di reazione, successo nell’evitare collisioni.

2. Demo di riconoscimento oggetti con visione artificiale

  • Acquisizione immagini tramite camera del robot.
  • Pre-processing: conversione in scala di grigi, soglia, filtraggio.
  • Classificazione oggetti con modelli ML pre-addestrati (es. riconoscimento palline, ostacoli, linee).
  • Controllo dei movimenti del robot in base all’oggetto rilevato.

Approccio didattico e metodologico

  • Lezioni teoriche: principi di AI, machine learning e robotica autonoma.
  • Esercitazioni guidate: scrittura di codice per decisioni automatiche e gestione degli stati.
  • Laboratori di integrazione: combinazione di algoritmi decisionali e sensori multipli.
  • Analisi critica dei comportamenti robotici: testing, debugging e ottimizzazione delle strategie di movimento e decisione.

Risultati attesi

Al termine del modulo, gli studenti saranno in grado di:

  1. Progettare robot capaci di prendere decisioni autonome in ambienti reali o simulati.
  2. Implementare algoritmi di controllo basati su logiche condizionali e FSM.
  3. Comprendere e applicare concetti di machine learning per attività di percezione robotica.
  4. Gestire problemi di localizzazione e navigazione autonoma, comprendendo i limiti dei sensori e dell’incertezza dei dati.
  5. Integrare sensori, attuatori e software per ottenere comportamenti complessi in robot autonomi.


Commenti

Posta un commento

Post popolari in questo blog

La scienza delle piccole grandi cose: Teoria della doppia copia: gravità e gauge a confronto

Immagine
🌌 Teoria della doppia copia: gravità e gauge a confronto La “double copy” formula , o dualità BCJ (Bern-Carrasco-Johansson), rappresenta una delle scoperte teoriche più affascinanti degli ultimi anni in fisica fondamentale. Essa permette di riscrivere le ampiezze di scattering gravitazionali come il quadrato delle corrispondenti ampiezze in una teoria di gauge, come il modello di Yang-Mills. Questa sorprendente relazione unifica mondi apparentemente lontani — come la gravità e le interazioni forti — in un’unica struttura matematica. 🔭 Applicazioni cosmologiche: la gravità dell’inflazione Quando la double copy viene applicata alla fase di inflazione dell’universo primordiale , diventa uno strumento predittivo potentissimo. I fisici sono riusciti a derivare la forma delle onde gravitazionali primordiali con un livello di precisione senza precedenti, aprendo nuovi scenari per la cosmologia osservativa. 🌐 Collegamento tra interazioni di gaug...
Continua a leggere

Corso di Algebra Elementare e Strutture Algebriche: 1 Polinomi

Immagine
  Polinomi: definizioni, operazioni, fattorizzazioni e applicazioni pratiche I polinomi sono strumenti matematici fondamentali per descrivere, modellare e risolvere problemi concreti in geometria, fisica, economia e informatica. Comprendere i polinomi significa imparare a rappresentare quantità variabili, relazioni tra grandezze e a risolvere problemi che coinvolgono cambiamenti continui o discreti. 1. Cos’è un polinomio e perché è importante Un polinomio è un’espressione matematica formata da somma o differenza di monomi , dove ciascun monomio ha un coefficiente numerico e una parte letterale elevata a un esponente intero non negativo. Monomio : è un termine come o . Qui il coefficiente è 3 o -5, le variabili sono o e , e l’ esponente indica quante volte la variabile è moltiplicata per se stessa. Grado del monomio : somma degli esponenti delle variabili presenti in quel monomio. Esempio: ha grado . Grado del polinomio : massimo grado tra tutti i suoi monomi. A...
Continua a leggere

CORSO DI MECCANICA QUANTISTICA: 2 Misura Quantistica Sovrapposizione e Spin

Immagine
Misura Quantistica, Sovrapposizione e Spin: il mondo degli stati possibili La Meccanica Quantistica non si limita a descrivere particelle o onde: introduce un modo completamente nuovo di concepire lo  stato della materia . A livello microscopico, nulla è mai completamente determinato fino a che non lo osserviamo. La sovrapposizione: vivere in più stati contemporaneamente Il principio di sovrapposizione è uno dei concetti più affascinanti e controintuitivi della Meccanica Quantistica. Un elettrone, prima di essere misurato, non occupa una posizione definita, ma può essere descritto come un  insieme di possibilità , distribuite nello spazio secondo la sua funzione d’onda. Questo concetto non è solo teorico: esperimenti come la  doppia fenditura  mostrano che particelle inviate una alla volta interferiscono con se stesse, creando pattern tipici delle onde. È come se ogni particella vivesse più percorsi contemporaneamente, e solo l’atto dell’osservazione “decidesse” qual...
Continua a leggere