• gaussian mixture models
• hidden markov models
• programming by demonstration
• robot learning

Negli ultimi decenni i progressi ottenuti nel campo della robotica hanno consentito la diffusione di questa branca dell’ingegneria anche al di fuori dell’ambito prettamente industriale per il quale era nata. Ai modelli “esatti” tipici della robotica classica operante in ambienti ben strutturati (ad esempio una cella di assemblaggio) si sono aggiunti modelli capaci di adattarsi ed interagire in ambienti non strutturati nei quali l’ambiente stesso, non solo cambia durante l’esecuzione del compito, ma di cui non si ha neanche una conoscenza completa. Si è avvertita dunque la necessità di porre l’accento nella ricerca di sistemi cognitivi sempre più complessi ispirati ai processi di elaborazione dell’informazione che avvengono nell’essere umano. Pattern recognition, programming by demonstration e mimesis models sono solo alcune delle discipline che negli ultimi anni hanno suscitato forte interesse nella comunità scientifica e allo stato attuale rappresentano senz’altro una delle maggiori sfide della robotica avanzata: l’interazione uomo-macchina. Questo lavoro di tesi mira a studiare i metodi di tipo probabilistico che possono essere utilizzati per il learning di tasks da parte di un sistema robotico tramite dimostrazione di un’operatore esterno. Nello specifico l'applicazione sperimentale farà riferimento ad una mano antropomorfa a 15 gradi di libertà. I principali strumenti matematici utilizzati sono le Gaussian Mixture Models (GMM) per modellare gli stati nascosti di un task con le relative distribuzioni di probabilità, e le Hidden Markov Models per codificare la dinamica come transizione tra gli stati della GMM. Sono stati inoltre studiati metodi di analisi delle componenti principali per ridurre la dimensione dello spazio dei dati.