logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-01312025-154151


Tipo di tesi
Tesi di laurea magistrale
Autore
TAGLIETTI, DANIELE
URN
etd-01312025-154151
Titolo
Place-oriented Grasping of Unknown Objects: A Deep Q-learning Approach
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
INGEGNERIA ROBOTICA E DELL'AUTOMAZIONE
Relatori
relatore Prof. Salaris, Paolo
relatore Tolomei, Simone
Parole chiave
  • computer vision
  • deep q-learning
  • Emika Franka Panda
  • grasping
Data inizio appello
18/02/2025
Consultabilità
Non consultabile
Data di rilascio
18/02/2095
Riassunto
Questa tesi si propone di integrare tecniche di computer vision e algoritmi di deep reinforcement learning nell’ambito della robotica, con l’obiettivo di automatizzare la selezione della configurazione ottimale del robot per eseguire una presa efficace di oggetti in relazione a una posizione finale desiderata.
In particolare, la determinazione della configurazione ottimale si basa sull’analisi di un’immagine acquisita da una fotocamera. Attraverso la computer vision, gli oggetti presenti nell’immagine vengono identificati e delimitati tramite bounding box. Successivamente, tali informazioni vengono elaborate da una rete neurale Deep Q-Network (DQN), che determina la configurazione più adatta del robot per eseguire la presa.
Il sistema è stato implementato utilizzando il braccio robotico Franka Emika Panda. Il modello addestrato è stato infine sottoposto a test sperimentali in ambiente di laboratorio per verificarne le prestazioni e l’affidabilità.

The objective of this thesis is to integrate computer vision techniques and deep reinforcement learning algorithms in the field of robotics, with the aim of automating the selection of the optimal configuration of the robot to perform an effective grasping of objects with respect to a desired final position.
Specifically, the determination of the optimal configuration is based on the analysis of an image captured by a camera. Computer vision is used to identify objects in the image and delimit them with bounding boxes. This information is then processed by a Deep Q-Network (DQN) neural network, which determines the most appropriate configuration of the robot to perform the grasp.
The system was implemented using the Franka Emika Panda robot arm. Finally, the trained model was subjected to experimental tests in a laboratory environment to verify its performance and reliability.
File