ETD

• Dat-driven
• Imitation Learning
• Learning from Demonstration
• Machine Learning
• Manipulation and grasping
• Robotic

This thesis investigates how to improve data-driven, context-aware robot grasping and manipulation methods when only limited training data are available. It focuses on Learning from Demonstration (LfD), which reduces computational burden by learning from task examples, but may fail to capture all task features due to small datasets. The thesis analyzes LfD approaches by distinguishing between Movement Primitives, which reconstruct demonstrated motions, and Experience Abstraction methods, which extract underlying task behavior. Prominent methods from both categories are experimentally benchmarked using RMSE, R², Information Loss, and time-space complexity to guide the selection of suitable models for specific tasks.

The thesis also addresses pre-grasp pose estimation, especially for soft grippers, an area often overlooked in the literature. It proposes a contextualized data-driven model for extracting 6D pre-grasp poses for the Soft Scoop Gripper, using both unsupervised cuboid-based approximation and supervised shape-based feature extraction. GMM and k-means are applied to model and refine grasp-related features.

Overall, the thesis shows how LfD-based methods can be tailored to improve grasp planning with limited demonstrations. It highlights future directions such as grasp affordance learning, multimodal imitation, partial-demonstration learning, and hierarchical task modeling.

La presente tesi indaga strategie per migliorare i metodi di grasping e manipolazione robotica basati su dati e sensibili al contesto, in particolare quando sono disponibili insiemi di addestramento limitati. Il lavoro si concentra sul paradigma del Learning from Demonstration (LfD), che consente di ridurre il carico computazionale apprendendo da esempi di esecuzione del compito, ma che può risultare insufficiente nel catturare tutte le caratteristiche rilevanti a causa della scarsità dei dati. La tesi analizza gli approcci LfD distinguendo tra Movement Primitives, orientati alla ricostruzione dei movimenti dimostrati, ed Experience Abstraction, finalizzati all’estrazione del comportamento sottostante al compito. Metodi rappresentativi di entrambe le categorie sono stati valutati sperimentalmente mediante RMSE, R², Information Loss e complessità spazio-temporale, al fine di fornire criteri per l’associazione tra compito e modello più adeguato.

La tesi affronta inoltre il problema della stima delle pose di pre-grasp, con particolare attenzione ai soft gripper, un aspetto spesso trascurato nella letteratura. A tal fine, viene proposto un modello data-driven contestualizzato per l’estrazione di pose di pre-grasp a 6 dimensioni per il Soft Scoop Gripper, utilizzando sia un’approssimazione non supervisionata basata su cuboidi sia un metodo supervisionato di estrazione delle caratteristiche basato sulla forma. GMM e k-means sono impiegati per modellare e raffinare le caratteristiche associate al grasping.

Nel complesso, la tesi dimostra come i metodi basati su LfD possano essere adattati per migliorare la pianificazione del grasping in presenza di dimostrazioni limitate, delineando inoltre direzioni future quali l’apprendimento delle affordance di grasp, l’imitazione multimodale, l’apprendimento da dimostrazioni parziali e la modellazione gerarchica dei compiti.