• ambiente subacqueo
• apprendimento per rinforzo
• autonomous underwater vehicle
• AUV
• ispezione di ostacoli
• next-best-view
• obstacle inspection
• path planning
• pianificazione del percorso
• prossima vista migliore
• reinforcement learning
• robotica subacquea
• underwater environment
• underwater robotics
• veicolo sottomarino autonomo

Le ispezioni autonome di ostacoli sommersi sono complesse per la scarsità di informazioni preliminari e le difficoltà subacquee, come visibilità ridotta e comunicazioni limitate. Questa tesi sviluppa due approcci per il controllo della traiettoria di un AUV: un metodo di pianificazione basato sul Next-Best-View (NBV) e uno sul Reinforcement Learning (RL). Entrambi garantiscono una copertura autonoma ed efficiente, testata in simulazione e su un robot reale. I risultati evidenziano le potenzialità per applicazioni future in ambienti subacquei.

Autonomous inspections of underwater obstacles are challenging due to the lack of preliminary information and underwater difficulties such as limited visibility and restricted communications. This thesis develops two approaches for AUV trajectory control: a path-planning method based on Next-Best-View (NBV) and a Reinforcement Learning (RL) approach. Both ensure autonomous and efficient coverage, tested in simulation and on a real robot. The results highlight potential applications for future underwater environments.