• cluttered
• grasp
• uncertain

In the context of robotics, the ability to grasp and manipulate objects plays a central role, crucial for a wide range of applications, from industrial production to domestic assistance. This thesis builds upon the work of "Grasp It Like a Pro," which employed a regression tree trained on physical data of human grasp poses to determine the optimal grasping pose and subsequently selected and reordered grasps based on a score indicating grasp freedom. However, this method was limited to manipulating individual objects. In this present work, the approach has been extended and enhanced to adapt to much more complex environments, involving the use of a single gripper with a claw. Advanced logic and action policies have been developed, making the algorithm even more general and suitable for handling more diverse scenarios. This has involved integrating strategies to manage uncertainty and variability in the surrounding environment, as well as implementing dynamic adaptation techniques to address unforeseen situations. In fact, a loop has been added that iterates through various phases: data acquisition, data processing, decomposition and calculation of grasp poses, collision creation, and grasp realization verification. The results demonstrate the effectiveness of our method in generating and selecting high-quality and reliable grasps. Furthermore, it is a more robust and flexible grasp system, capable of successfully tackling a wider range of tasks and operational environments, paving the way for new and promising applications in advanced robotics.

Nel contesto della robotica, la capacità di afferrare e manipolare oggetti assume un ruolo centrale, fondamentale per una vasta gamma di applicazioni, dalla produzione industriale all'assistenza domestica. Questa tesi si basa sul lavoro di "Grasp It Like a Pro", che utilizzava un regression tree addestrato su dati fisici di prese di grasp umane per determinare la posa ottimale di afferramento e successivamente selezionava e riordinava le prese in base a uno score che indicava la libertà della presa. Tuttavia, questo metodo era limitato alla manipolazione di oggetti singoli. Nel presente lavoro, l'approccio è stato esteso e complicato per adattarsi ad ambienti molto più complessie prevede l'utilizzo del singolo gripper a pinza.
Sono state sviluppate logiche e politiche d'azione avanzate, rendendo l'algoritmo ancora più generale e adatto a gestire scenari più variegati. Questo ha comportato l'integrazione di strategie per gestire l'incertezza e la variabilità dell'ambiente circostante, così come l'implementazione di tecniche di adattamento dinamico per affrontare situazioni impreviste.
Infatti è stato aggiunto un loop che scandisce le varie fasi: acquisizione, elaborazione dati, decomposizione e calcolo delle pose di grasp, creazione delle collisioni e verifica della realizzazione della presa. I risultati dimostrano la efficacia del nostro metodo nella generazione e selezione di alta qualità e grasp affidabili. Inoltre è un sistema di grasp più robusto e flessibile, in grado di affrontare con successo una gamma più ampia di compiti e ambienti operativi, aprendo la strada a nuove e promettenti applicazioni nella robotica avanzata.