Human-Robot Interaction, Learning from Demonstration

In un campo come quello della Computer Vision, d'importanza sempre crescente, è di grande rilievo la collaborazione con il mondo della robotica applicata all'industria e alla quotidianità domestica. Lo sviluppo di manipolatori robotici di capacità sempre maggiore corre di pari passo con quello di sistemi software in grado di esaminare efficacemente l'ambiente circostante, riconoscere le informazioni rilevanti che questi produce ed analizzarle per molteplici scopi. Questo lavoro è incentrato sull'ambito del Learning from Demonstration, ovvero la ricerca di metodi e tecnologie che permettono ad un robot di riprodurre un'azione umana attraverso l'osservazione della stessa: sono state studiate le metodologie di azione principali e i più recenti sviluppi in tale campo, per poi concentrarsi sulla realizzazione di un sistema che fosse in grado di analizzare una dimostrazione umana, trarre le informazioni principali che essa è in grado di comunicare e fornire gli strumenti più adatti al manipolatore robotico per eseguire nuovamente tale azione. Lo studio ha coinvolto numerosi sotto-campi della Computer Vision, come il riconoscimento di oggetti, il tracciamento della posizione degli stessi e la stima della loro posa tridimensionale. Inoltre, si sono affrontate sfide proprie del mondo del Machine Learning, come l'addestramento di una rete ad-hoc per l'identificazione dell'azione svolta, e si è collaudata l'architettura del progetto con l'uso di un vero manipolatore robotico. Il lavoro si è posto l'obiettivo di incentrare un'efficace manipolazione robotica sulla fase di analisi dei video forniti in input, al fine di estrapolare la maggior quantità possibile di informazioni valide e semplificare la parte di esecuzione pratica dell'azione, analizzando una singola dimostrazione del movimento che sia circoscritto ad una specifica area di lavoro, con delle classi predefinite di azioni eseguibili e oggetti manipolabili. Grazie a questa ricerca è stato possibile individuare i punti di forza ed i punti critici di un sistema di questo tipo, anche al fine di indirizzare i futuri sviluppi verso il miglioramento delle fasi meno accurate dello stesso, e comprendere l'importanza di una corretta analisi dei dati acquisiti in ingresso dal sistema, per quanto questi possano risultare scarsi in termini di qualità e quantità.