2. Docenti
  3. Didattica

MOBILE ROBOTS FOR CRITICAL MISSIONS

Alessia SAGGESE MOBILE ROBOTS FOR CRITICAL MISSIONS

0622700103
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
CORSO DI LAUREA MAGISTRALE
INGEGNERIA INFORMATICA
2022/2023



ANNO CORSO 2
ANNO ORDINAMENTO 2017
SECONDO SEMESTRE
CFUOREATTIVITÀ
324LEZIONE
324LABORATORIO
MARIO VENTO T Curriculum
ALESSIA SAGGESE Curriculum
Obiettivi
LO SCOPO DELL’INSEGNAMENTO E QUELLO DI FORNIRE GLI ELEMENTI ARCHITETTURALI, METODOLOGICI E PROGETTUALI PER LA REALIZZAZIONE DI ROBOT INTELLIGENTI IN GRADO DI MUOVERSI IN MODO AUTONOMO IN AMBIENTI INDOOR. IN PARTICOLARE, IL CORSO SI FOCALIZZA SUGLI ASPETTI RELATIVI ALLA RAPPRESENTAZIONE DELLA MAPPA, ALLA CREAZIONE DELLA MAPPA, ALLA LOCALIZZAZIONE DEL ROBOT, SUGLI ALGORITMI DI NAVIGATION E DI OBSTACLE AVOIDANCE.

CONOSCENZE E CAPACITA DI COMPRENSIONE
NELL’INSEGNAMENTO VENGONO TRATTATE LE METODOLOGIE PER CONSENTIRE LA MOVIMENTAZIONE AUTONOMA DEL ROBOT IN AMBIENTI INDOOR, PER CUI LA MAPPA E GLI ELEMENTI PRESENTI ALL’INTERNO DELLA SCENA (ES: OSTACOLI) E LA RELATIVA POSIZIONE NON SONO NOTI A PRIORI.

CONOSCENZA E CAPACITA DI COMPRENSIONE APPLICATE
VIENE SVILUPPATA LA CAPACITA DI PROGETTARE E REALIZZARE SOLUZIONI A PROBLEMI DI ROBOTICA INTELLIGENTE MEDIANTE LA SCELTA E L’APPLICAZIONE DELLE METODOLOGIE PRESENTATE E UTILIZZANDO GLI AMBIENTI SOFTWARE E I SISTEMI OPERATIVI SPECIFICI PER LA ROBOTICA.
Prerequisiti
PER IL PROFICUO RAGGIUNGIMENTO DEGLI OBIETTIVI PREFISSATI È RICHIESTA LA CONOSCENZA DEL LINGUAGGIO C E DEL LINGUAGGIO PYTHON.
Contenuti
Unità didattica 1: Introduction to map based navigation and map based representations
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 10/5/0)
- 1 (3 ORE Lezione): Introduction to the course
- 2 (2 ORE Lezione): Sensors for mobile robots navigation: IMU, GPS, Laser Scan
- 3 (3 ORE Lezione): Behavior based vs map based navigation. Differential robot: motion model
- 4 (2 ORE Lezione): Map based representations
- 5 (3 ORE Esercitazione): Introduction to Gazebo Simulator
- 6 (2 ORE Esercitazione): RVIZ. Sensors data acquisition and robot interaction in Gazebo
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: Acquisire le conoscenze relative ai sensori necessari per la navigazione autonoma di un robot e alle rappresentazioni delle mappe; conoscere il simulatore GAZEBO e le librerie per movimentare il robot in modo manuale
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: saper muovere il robot all'interno del simulatore Gazebo ed essere in grado di acquisire i dati dai sensori in simulazione utilizzando il framework ROS


Unità didattica 2: Map based localization algorithms
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 5/3/0)
- 7 (3 ORE Lezione): Map based localization: an overview. Markov Based localization. Theory and example
- 8 (2 ORE Lezione): 2D Kalman Filter. Kalman Filter for localization. Kalman Filter for differential robot
- 9 (3 ORE Esercitazione): Localization with Kalman Filter in Gazebo
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: conoscere gli algoritmi di localizzazione basati su Filtro di Kalman e particle Filtering
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: saper progettare e realizzare algoritmi di localization integrati in Gazebo. Saper utilizzare i nodi ROS già disponibili in Gazebo per la localizzazione (EKF, AMCL)

Unità didattica 3: Simultaneous Localization and Mapping algorithms
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 5/2/0)
- 10 (2 ORE Lezione): Autonomous map building. SLAM Algorithm. EKF SLAM
- 11 (3 ORE Lezione): Particle filtering. MonteCarlo localization based on particle Filtering. PF based SLAM
- 12 (2 ORE Esercitazione): SLAM in Gazebo
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: conoscere gli algoritmi di SLAM basati su EFK e PF
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: Saper utilizzare e configurare gli algoritmi già disponibili in Gazebo per lo SLAM (GMAPPING)

Unità didattica 4: Navigation: Path planning and obstacle avoidance algorithms
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 5/5/8)
- 13 (3 ORE Esercitazione): From Gazebo simulator to Turtlebot robot.
- 14 (2 ORE Lezione): Navigation. Path planning Algorithms. Road Map, Cell Decomposition
- 15 (3 ORE Lezione): Obstacle avoidance algorithms
- 16 (2 ORE Esercitazione): Navigation, Path Planning and Obstacle Avoidance
- 17 (3 ORE Laboratorio): Final Project
- 18 (2 ORE Laboratorio): Final Project
- 19 (3 ORE Laboratorio): Final Project
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: conoscere gli algoritmi di path planning (basati su Road Map, Cell Decomposition) e obstacle avoidance
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: Saper utilizzare e configurare gli algoritmi già disponibili in Gazebo per la navigation. Saper integrare tutti gli algoritmi studiati sulla piattaforma robotica Turtlebot (non in simulazione)

TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO 25/15/8
Metodi Didattici
L’INSEGNAMENTO CONTEMPLA LEZIONI TEORICHE, ESERCITAZIONI IN AULA ED ESERCITAZIONI PRATICHE DI LABORATORIO. NELLE ESERCITAZIONI IN AULA VENGONO ASSEGNATI AGLI STUDENTI, SIA INDIVIDUALMENTE CHE DIVISI PER GRUPPI DI LAVORO, DEI PROGETTO DA SVILUPPARE UTILIZZANDO I CONTENUTI DELL’INSEGNAMENTO. I PROGETTI SONO STRUMENTALI, OLTRE ALL’ACQUISIZIONE DELLE COMPETENZE E ABILITÀ SUI CONTENUTI DELL’INSEGNAMENTO, ANCHE A SVILUPPARE E RAFFORZARE LE CAPACITÀ DI LAVORARE IN TEAM. NELLE ESERCITAZIONI IN LABORATORIO GLI STUDENTI IMPLEMENTANO I PROGETTI ASSEGNATO UTILIZZANDO ROS.
PER POTER SOSTENERE LA VERIFICA FINALE DEL PROFITTO E CONSEGUIRE I CFU RELATIVI ALL’ATTIVITÀ FORMATIVA, LO STUDENTE DOVRÀ AVERE FREQUENTATO ALMENO IL 70% DELLE ORE PREVISTE DI ATTIVITÀ DIDATTICA ASSISTITA.
Verifica dell'apprendimento
LA PROVA DI ESAME È FINALIZZATA A VALUTARE NEL SUO COMPLESSO: LA CONOSCENZA E LA CAPACITÀ DI COMPRENSIONE DEI CONCETTI PRESENTATI AL CORSO; LA CAPACITÀ DI APPLICARE TALI CONOSCENZE PER LA RISOLUZIONE DI PROBLEMI DI PROGRAMMAZIONE CHE RICHIEDONO L’USO DI TECNICHE PER LA NAVIGAZIONE AUTONOMA DEL ROBOT; L’AUTONOMIA DI GIUDIZIO, LE ABILITÀ COMUNICATIVE E LA CAPACITÀ DI APPRENDERE.

LA PROVA SI ARTICOLA IN DUE FASI: UNA PRIMA CONSISTE IN UN COLLOQUIO ORALE E NELLA DISCUSSIONE DEI MID TERM PROJECTS SVOLTI DURANTE IL CORSO.UNA SECONDA FASE PREVEDE LA REALIZZAZIONE DI UN FINAL TERM PROJECT: GLI STUDENTI, DIVISI IN TEAM, DEVONO REALIZZARE UN SISTEMA FINALIZZATO AD UNA COMPETIZIONE TRA I VARI TEAM. SONO OGGETTO DI VALUTAZIONE LE SCELTE PROGETTUALI E METODOLOGICHE EFFETTUATE, INSIEME CON IL RISULTATO OTTENUTO DAL TEAM DURANTE LA COMPETIZIONE.LO SCOPO E’ QUELLO DI VALUTARE LE CONOSCENZE E LE CAPACITÀ DI COMPRENSIONE ACQUISITE, LA CAPACITÀ DI APPLICARE LE CONOSCENZE, L’AUTONOMIA DI GIUDIZIO E LA CAPACITÀ DI LAVORARE IN GRUPPO.

NELLA VALUTAZIONE FINALE, ESPRESSA IN TRENTESIMI, LA VALUTAZIONE DEI MID TERM PROJECTS E DEL COLLOQUIO ORALE PESERÀ PER IL 40%, MENTRE IL FINAL TERM PROJECT PESERÀ PER IL 60%. LA LODE POTRÀ ESSERE ATTRIBUITA AGLI STUDENTI CHE DIMOSTRINO DI SAPER APPLICARE LECONOSCENZE ACQUISITE CON AUTONOMIA ANCHE IN CONTESTI DIVERSI DA QUELLI PROPOSTI NEL CORSO
Testi
INTRODUCTION TO AUTONOMOUS MOBILE ROBOTS. ROLAND SIEGWART, ILLAH R. NOURBAKHSH, A BRADFORD BOOK, THE MIT PRESS, 2004

MATERIALE DIDATTICO INTEGRATIVO SARÀ DISPONIBILE NELLA SEZIONE DEDICATA DELL'INSEGNAMENTO ALL'INTERNO DELLA PIATTAFORMA E-LEARNING DI ATENEO (HTTP://ELEARNING.UNISA.IT) ACCESSIBILE AGLI STUDENTI DEL CORSO TRAMITE LE CREDENZIALI UNICHE DI ATENEO
Altre Informazioni
L'INSEGNAMENTO E'EROGATO IN INGLESE
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-08-21]