L’automazione delle stalle si sta gradualmente diffondendo sempre di più. Tra le soluzioni offerte dal mercato troviamo, ad esempio, robot mobili per la pulizia della stalla e per la distribuzione del mangime. Tuttavia, queste soluzioni sono caratterizzate da un basso livello di automazione e, più in generale, da soluzioni tecnologiche estremamente semplici, che le rendono robuste ma poco flessibili.

Questo lavoro riguarda la progettazione e l’implementazione di un robot mobile autonomo, basato sul robot commerciale Agilex Bunker/Bunker Pro, per la distribuzione del mangime. Rispetto alle attuali soluzioni commerciali, il robot dovrà essere in grado di navigare autonomamente sia all’interno che all’esterno della stalla, senza richiedere infrastrutture dedicate (percorsi agevoli, speciali dispositivi di localizzazione, ecc.).

Questo lavoro è adatto sia per studenti provenienti da un percorso ingegneristico che non ingegneristico, e può essere affrontato sia da un singolo studente che da un gruppo di due studenti.

Docente di riferimento: Prof. Luca Bascetta – luca.bascetta@polimi.it

Le tecniche di controllo basate su modello sono ampiamente utilizzate per la navigazione autonoma, ma per ottenere buone prestazioni in presenza di disturbi e incertezze è necessaria una stima e un adattamento online del modello. Le applicazioni agricole sono un esempio tipico in cui la variabilità dell’ambiente e la complessità del modello di interazione ruota/terreno richiedono un approccio basato su un modello semplice del robot/veicolo, dotato di algoritmi in grado di adattare/migliorare continuamente questo modello utilizzando tutte le misure disponibili.

Questa tesi mira a sviluppare tecniche classiche e di machine/deep learning per stimare online lo slittamento di un cingolo, costituendo l’elementao fondamentale per la creazione di un controllore per la navigazione autonoma di un robot skid-steering per applicazioni offroad/agricole.
Verranno presi in considerazione diversi sensori, a partire dallo stato del robot e dalle informazioni fornite da una IMU, fino alle immagini del terreno generate da una telecamera RGBD o da un lidar.
Un aspetto chiave della tesi sarà il confronto tra tecniche classiche e basate su learning, al fine di scoprire l’eventuale valore aggiunto di queste ultime.
Gli algoritmi sviluppati saranno validati in simulazione e/o sul campo utilizzando un robot cingolato.

Questo lavoro è adatto sia per studenti provenienti da un percorso ingegneristico che non ingegneristico, e può essere affrontato sia da un singolo studente che da un gruppo di due studenti. E’ necessaria la conoscenza di Python.

Docente di riferimento: Prof. Luca Bascetta – luca.bascetta@polimi.it