EMB97

EMBEDDED 97 • SETTEMBRE • 2025 28 OpenAI ha sviluppato una libreria open source chia- mata OpenAI Gym, per collegare l’apprendimento per rinforzo con le applicazioni. Quest’applicazione utilizza un simulatore fisico per casi d’uso robotici, ovvero un motore fisico avanzato, che consente di costruire un modello che si compor- ta in modo altamente realistico. Un altro strumento di simulazione di robot è il V-Rep, che ha un motore fisico con un’interfaccia del sistema operativo del ro- bot (ROS). Controllo del movimento con IA Il modo tradizionale di progettazione consiste nel generare funzioni di controllo per attività di mani- polazione robotica utilizzando: punti di riferimen- to codificati per la navigazione; stati non generici a livello medio; compiti specializzati ad alto livello. Questo approccio è ripetitivo, non scalabile e adatto principalmente ad applicazioni specifiche. In un con- testo industriale, oggetti come le parti di produzione possono avere una varietà di centinaia o migliaia di articoli diversi. Le applicazioni per questi casi d’u- so, come i robot con capacità di prelievo e posiziona- mento, richiedono flessibilità ed elevata scalabilità. Invece di sviluppare molteplici soluzioni diverse, il processo di sviluppo proposto del controllo del mo- vimento con intelligenza artificiale può migliorare il ciclo di vita dello sviluppo del sistema. I sistemi in un ambiente altamente dinamico neces- sitano di molte iterazioni di sviluppo; il sistema di controllo del movimento con IA ha il potenziale per ridurre le fasi di sviluppo. Le capacità di controllo possono anche essere migliorate utilizzando l’ap- prendimento non supervisionato o supervisionato, tuttavia, è preferibile utilizzare l’apprendimento per rinforzo perché dà al robot la capacità di apprendere durante la sua applicazione. L’approccio richiede la progettazione di livello gene- rico dei controllori robotici. Le traiettorie di basso livello possono essere apprese mediante movimenti predefiniti, una macchina a sta- ti può essere composta da determinate azioni e stati, inoltre, le sottoattività possono essere preimpostate in un albero comportamentale o in un pianificatore di attività. Ogni strato di controllo del movimento è collegato con una rete neurale che verrà addestrata gerarchicamente. All’inizio dello sviluppo, l’applicazione verrà adde- strata in simulazione. Rispetto allo sviluppo manuale, il controllo di movi- mento richiede più tempo all’inizio dello sviluppo, ma può risparmiare molto tempo nelle iterazioni suc- cessive. Nello sviluppo del controllo del movimento basato sull’intelligenza artificiale, nelle attività di manipola- zione con una nuova sottoattività o un diverso ordine di sottoattività, il controllo di movimento può essere utilizzato nuovamente per addestrare la rete neurale e rigenerare la funzione di controllo del movimen- to. La rete neurale è connessa ai controller di basso livello, medio e alto e può essere modificata tramite modifica della funzione di ricompensa che rappre- senta il compito di manipolazione. Progettazione Il controllo del movimento basato sull’intelligenza artificiale utilizza una toolchain open source e de- scrive lo sviluppo di funzioni di controllo per attività di manipolazione robotica. L’approccio riguarda la simulazione del progetto, la definizione dei control- lori di movimento e la formazione e valutazione della capacità di controllo del movimento. L’attività di manipolazione è suddivisa in sottoattivi- tà. Il controllo del movimento può essere suddiviso in superiore, a strati intermedi e inferiori. Il metodo RL (Reinforcement learning - metodo di apprendimento automatico orientato all’obiettivo) ri- ceve questi input per addestrare azioni in base alle osservazioni. HARDWARE | INTELLIGENZA ARTIFICIALE