Pianificazione delle attività di Pick and Place di robot mediante Programmazione Dinamica Approssimata = Planning Pick and Place Robot Activities through Approximate Dynamic Programming

La tesi è stata svolta in collaborazione con l'azienda Spindox SPA, esperta nei settori dell'intelligenza artificiale e della ricerca operativa. In particolare, si è preso parte al progetto DARKO (Dynamic Agile Robots that Learn and Optimize Knowledge and Operation) tramite il team di ricerca e di sviluppo AHead Research. Lo scopo è stato quello di approfondire lo studio e la comprensione di una nuova generazione di robot, capaci di eseguire movimenti dinamici, operare in sicurezza, condividere l'ambiente di lavoro e soprattutto elaborare in completa autonomia piani predittivi efficienti e a basso rischio per operazioni di pick and place. A tal fine, si sono utilizzati processi di decisione sequenziale risolti per mezzo di differenti metodologie di programmazione dinamica, sia esatta che approssimata. Prima di tutto, il problema è stato risolto con la programmazione dinamica esatta: sono state trovate le sequenze di azioni ottimali che il robot deve svolgere per soddisfare le mansioni affidategli. Tuttavia, questo metodo presenta delle forti limitazioni computazionali che lo rendono inutilizzabile al crescere della dimensionalità, ovvero aumentando il numero di oggetti e le tipologie di questi. Si sono quindi cercati approcci in grado di superare questi ostacoli e sono stati implementati algoritmi di Q-learning e SARSA nel campo della programmazione dinamica approssimata. I risultati ottenuti in questo modo sono stati confrontati con quelli ottimali precedentemente trovati, così da testarne la validità e l'efficienza. Sono stati tenuti in considerazione, oltre al tempo computazionale e alla precisione del risultato, anche il tempo effettivo che il robot impiega a svolgere la richiesta ricevuta e la velocità di convergenza in termini di numero di iterazioni. I confronti sono stati ripetuti per diversi scenari e per un numero di oggetti e tipologie di questi variabili. In conclusione, è risultato che il metodo che meglio si adatta al contesto presentato al crescere della dimensionalità è SARSA.