Smart programming
Al giorno d’oggi, la produzione ha la necessità di fornire una risposta rapida ai cambiamenti del mercato (Agile Manufacturing), consentendo di riprogrammare i robot frequentemente e rapidamente per produrre prodotti diversi utilizzando lo stesso sistema (Routing Flexibility).
La semplicità di programmazione è quindi un fattore cruciale nell’impiego e diffusione dei robot. Nonostante i grandi passi avanti compiuti nel campo della “Programmazione Robotica Intuitiva”, la parte più significativa del costo di una cella robotica è costituito ancora dallo sviluppo del software applicativo.
Il learning from demonstration (LfD) si è affermato, nel corso degli anni, come un metodo promettente per trasferire le competenze dagli esseri umani ai robot. In generale, sono state identificate tre fasi in LfD: insegnamento, apprendimento ed esecuzione autonoma. La comunità scientifica ha sviluppato diversi strumenti per dimostrare un compito a un robot, nonché metodi per codificare e generalizzare le azioni apprese in una nuova situazione. Sebbene la relazione tra percezione e azione sia stata dimostrata attraverso diversi studi psicologici e neurobiologici, è importante stabilire e selezionare ciò che è rilevante durante l’esecuzione di un determinato compito.
Questa linea di ricerca presenta un framework che racchiude le tre fasi coinvolte durante la programmazione del robot, raggruppando le percezioni secondo la loro natura e stabilendo regole per la selezione delle percezioni salienti. Inoltre, il framework proposto è compatibile con i diversi sotto-metodi offerti dalla letteratura nel campo della “segmentazione dei compiti” e della “generalizzazione delle azioni”. Infine, tutti i compiti appresi sono rappresentati come una rete, che è in grado di evolversi e riorganizzarsi automaticamente nel caso vengano appresi nuovi compiti.
