• autonomous vehicles
• machine learning
• reinforcement learning
• soft actor-critic

La navigazione autonoma è uno degli aspetti più complessi e rilevanti della robotica mobile. La capacità di un veicolo di muoversi in sicurezza verso un obiettivo, evitando ostacoli e adattandosi a contesti mutevoli, è infatti un requisito essenziale in molti ambiti applicativi.
Questa tesi affronta il tema della navigazione autonoma di rover industriali mediante Deep Reinforcement Learning (DRL), con particolare attenzione all’algoritmo Soft Actor-Critic (SAC). L’obiettivo è valutarne l’applicabilità in scenari reali, superando i limiti dei pianificatori tradizionali. Dopo un inquadramento sul problema della navigazione robotica e la descrizione della piattaforma sperimentale (Rover di Sigma Ingegneria s.r.l. di Lucca), vengono introdotte le basi dell’Apprendimento per Rinforzo e illustrate le caratteristiche del SAC. La parte centrale descrive l’implementazione dell’algoritmo sul Rover, dallo sviluppo dell’ambiente simulato al processo di addestramento, fino all’architettura software di inferenza. Segue la validazione sperimentale, condotta in scenari progressivi di complessità crescente, e il confronto con l’algoritmo di Dijkstra, attualmente adottato sul Rover come pianificatore di riferimento. I risultati evidenziano robustezza e adattabilità, confermando il potenziale del SAC come alternativa ai pianificatori classici e aprendo a future applicazioni in contesti reali.

--- ENGLISH ---
Autonomous navigation is one of the most complex and significant aspects of mobile robotics. The ability of a vehicle to move safely towards a target, avoiding obstacles and adapting to changing environments, is an essential requirement in many application domains.
This thesis addresses the topic of autonomous navigation for industrial rovers through Deep Reinforcement Learning (DRL), with a particular focus on the Soft Actor-Critic (SAC) algorithm. The aim is to evaluate its applicability in real scenarios, overcoming the limitations of traditional planners. After an overview of the robotic navigation problem and the description of the experimental platform (the Rover developed by Sigma Ingegneria s.r.l., Lucca), the fundamentals of Reinforcement Learning are introduced, followed by a detailed presentation of SAC. The central part describes the implementation of the algorithm on the Rover, from the development of the simulated environment to the training process, up to the inference software architecture. This is followed by the experimental validation, carried out in progressively more complex scenarios, and the comparison with the Dijkstra algorithm, currently adopted on the Rover as the reference planner. The results highlight robustness and adaptability, confirming the potential of SAC as an alternative to classical planners and paving the way for future applications in real-world contexts.