Intelligent Object Grasping in Industrial Robotics: A Deep Reinforcement Learning Approach

In the dynamic landscape of modern manufacturing, industrial robots have emerged as powerful agents of transformation, redefining production processes with their advanced sensory systems and intelligent control mechanisms. The convergence of robotics and artificial intelligence heralds a new era of unprecedented efficiency and adaptability, as machines equipped with AI capabilities are poised to transcend nowadays limitations, rivaling and even surpassing human precision and versatility. This thesis delves into the integration of Deep Reinforcement Learning in industrial robotics, with a specific focus on object grasping — a pivotal task in the production processes. This paradigm shift in training and controlling robots stands in stark contrast to traditional approaches, which often relied on tenaciously crafted algorithms and rules. Deep Reinforcement Learning empowers robots to learn and adapt through interaction with their environment and acquisition of raw sensor data, akin to human skill acquisition. The primary objective of this work is to leverage the potential of Deep Reinforcement Learning robot object grasping in an industrial setting. By doing so, we aim to not only enhance the efficiency of this task beyond conventional approaches but also establish a robust and adaptable framework capable of addressing diverse situations in the industrial market, all while maintaining low overhead compared to original solutions.

Nel dinamico panorama della produzione manifatturiera moderna, i robot industriali sono emersi come potenti agenti di trasformazione, ridefinendo i processi produttivi con i loro sensori avanzati e i meccanismi di controllo intelligenti. La convergenza tra robotica e intelligenza artificiale preannuncia una nuova era di efficienza e adattabilità senza precedenti, poiché le macchine dotate di intelligenza artificiale sono pronte a superare gli odierni limiti, rivaleggiando e persino superando la precisione e la versatilità umana. Questa tesi approfondisce l'integrazione del Deep Reinforcement Learning nella robotica industriale, con un focus specifico sulla presa di oggetti - un compito fondamentale nei processi di produzione. Questo cambio di paradigma nell'addestramento e nel controllo dei robot è in netto contrasto con gli approcci tradizionali, che spesso si basano su rigidi algoritmi e regole. Le tecniche di Deep Reinforcement Learning consentono ai robot di apprendere e adattarsi attraverso l'interazione con l'ambiente e l'acquisizione dei dati grezzi dei sensori, come avviene per l'acquisizione delle abilità umane. L'obiettivo principale di questo lavoro è quello di sfruttare il potenziale del Deep Reinforcement Learning per la presa di oggetti da parte di robot in un contesto industriale. In questo modo, ci proponiamo l'obiettivi di non solo di migliorare l'efficienza di questo compito rispetto agli approcci convenzionali, ma anche di creare un framework robusto e adattabile in grado di affrontare diverse situazioni nel mercato, il tutto mantenendo un basso overhead rispetto alla soluzione originale.