Machine learning techniques for solution of the inverse kinematic problem in space manipulators

Robotics plays a crucial role in space exploration as it enables the execution of tasks that are challenging or even impossible for humans to perform in the harsh conditions of space. Ensuring an increasingly safe and reliable future in the space sector requires the achievement of greater efficiency and autonomy in robotic manipulators. One of the primary challenges faced by robotic manipulators, especially those with redundant configurations and a high number of degrees of freedom, is the resolution of inverse kinematics. This problem arises due to the lack of analytical solutions, the low efficiency of traditional methods, and the presence of singularities. To address this issue, this thesis examines two non-traditional methods that are based on machine learning. Machine learning has experienced exponential growth and application in recent years, making it a promising avenue for solving the problems faced by robotic manipulators. Specifically, the thesis analyzes and compares the supervised learning method and the reinforcement learning method. These methods are applied to a 3 degrees of freedom (DOF) configuration for validation purposes and then extended to a more complex 7 DOF case. The supervised learning method utilizes a feedforward neural network, while the reinforcement learning method employs the Deep Deterministic Policy Gradient Agent. Both methods are evaluated and compared based on their performance in the given configurations. Upon completion of the research, the results obtained from applying these methods in both cases are compared. The analysis highlights reinforcement learning as a potential solution that warrants further investigation.

La robotica svolge un ruolo fondamentale nell’esplorazione spaziale in quanto consente l’esecuzione di tasks che risultano essere complicate o addirittura impossibili da svolgere per gli esseri umani nelle dure condizioni operative dello spazio. Garantire un futuro sempre più sicuro e affidabile nel settore spaziale richiede il raggiungimento di una maggiore efficienza e autonomia dei manipolatori robotici. Una delle sfide principali affrontate per raggiungere questo obbiettivo è la risoluzione della cinematica inversa che, nei manipolatori robotici con configurazioni ridondanti e un elevato numero di gradi di libertà, risulta essere particolarmente complessa. Questo problema sorge a causa della mancanza di soluzioni analitiche, della bassa efficienza dei metodi tradizionali e della presenza di singolarità. Per affrontare questo problema, questa tesi esamina due metodi non tradizionali basati sul Machine Learning (ML). Il Machine Learning ha registrato una crescita e un’applicazione esponenziale negli ultimi anni, rendendolo uno strumento promettente per risolvere i problemi affrontati dai manipolatori robotici. Nello specifico, la tesi analizza e confronta il metodo di Supervised Learning e il metodo del Reinforcement Learning. Questi metodi vengono applicati inizialmente a una configurazione a 3 gradi di libertà (DOF) per scopi di convalida e quindi estesi a un caso più complesso a 7 DOF. Il metodo di Supervised Learning utilizza una rete neurale feedforward, mentre il metodo di Reinforcement Learning utilizza il Deep Deterministic Policy Gradient Agent. Entrambi i metodi vengono valutati e confrontati in base alle loro prestazioni nelle configurazioni fornite. Al termine della ricerca, vengono confrontati i risultati ottenuti dall’applicazione di questi metodi in entrambe le configurazioni. L’analisi evidenzia il reinforcement learning come una potenziale soluzione meritevole di ulteriori indagini.