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