Campo di ricerca Robotica

Intelligenza artificiale per sistemi autonomi

Per le persone, il lavoro nella produzione sta diventando sempre più stressante. Le fasi lavorative sono sempre più veloci, i prodotti sempre più diversificati. Allo stesso tempo, è necessario produrre una quantità maggiore di beni per rifornire adeguatamente la popolazione mondiale in crescita. I robot e i cobot possono essere un valido supporto per i lavoratori e sono in grado di alleggerire i loro compiti. Se il robot elabora le soluzioni alle proprie mansioni e conosce l'azione successiva dell'uomo, può rappresentare un supporto e un collaboratore sicuro.

I sistemi autonomi assumono sempre maggiore importanza quando si tratta di mansioni troppo pericolose, troppo complesse o troppo monotone per l'uomo. I sistemi reagiscono agli eventi del loro ambiente e prendono una decisione appropriata: percepiscono, imparano, pensano e agiscono in modo autoconsapevole e reagiscono con intelligenza ai cambiamenti imprevisti dell'ambiente.

Previsione del movimento e pianificazione causale dei compiti

I sistemi autonomi offrono un grande potenziale anche per la robotica collaborativa. Ad esempio, grazie all'esperienza acquisita, sono in grado di prevedere le azioni successive del lavoratore e di controllarne i movimenti di conseguenza. Tale previsione del movimento rende la cooperazione maggiormente sicura ed efficiente.

Se un robot autonomo conosce lo stato finale desiderato, utilizzando algoritmi di intelligenza artificiale (IA) appropriati è in grado di ricavare anche in autonomia tutte le fasi di lavoro necessarie a risolvere il compito. Oltre al Reinforcement Learning, utilizziamo anche la Bio-inspired AI: questa IA efficiente e specializzata si ispira all'intelligenza di formiche, api e altri insetti.

Apprendimento virtuale dei robot mediante IA

Per abilitare queste e altre capacità intelligenti dei robot, come l'imballaggio di scatole o la stima del peso, l'intelligenza artificiale può essere appresa utilizzando set di dati generati virtualmente. Viene utilizzato anche l'apprendimento Sim2Real, ovvero l'apprendimento in simulazioni o sistemi ibridi e l'esecuzione di quanto appreso sul robot reale.