Artificial Intelligence in robotic testing and optimization for the aeronautical industry

Ensuring the safety and reliability of aircraft systems, is vital in the aeronautical industry, where testing activities play a central role during the Verification and Validation process (V&V). Traditional cockpit integration testing methods, often conducted manually, are prone to human error and are both time- and resource-intensive. To address these challenges, this thesis presents the ARTO, a novel AI-driven solution designed to automate and enhance the efficiency of cockpit testing. At the core of ARTO is an advanced Computer Vision subsystem integrated with AI capabilities, enabling real-time detection, analysis, and interaction with cockpit elements such as switches, displays, and indicators. By applying AI techniques for image recognition and anomaly detection, ARTO simulates human observation and learning, which not only reduces the duration and cost of repetitive testing tasks but also significantly enhances accuracy by minimizing human error. Furthermore, ARTO could potentially leverage AI to learn from test data, adapt to new scenarios, and proactively identify potential issues, offering predictive insights that optimize testing processes and resource usage. This thesis specifically details the design and implementation of ARTO's CV subsystem, exploring methods for image processing, Optical Character Recognition (OCR) and Object Detection (OD) to support accurate and efficient cockpit testing. Experimental results demonstrate that ARTO significantly improves testing efficiency, reliability, and asset availability. The findings underscore the potential of AI-driven automation in V&V processes, with ARTO offering a substantial advancement in aerospace testing practices.

Nell’industria aeronautica, garantire la sicurezza e l'affidabilità dei sistemi è di fondamentale importanza, e le attività di testing svolgono un ruolo centrale nel processo di Verifica e Validazione (V&V). I metodi tradizionali per testare l'integrazione dei sistemi del cockpit sono spesso eseguiti manualmente, risultando così soggetti a errori umani e richiedendo un notevole impiego di tempo e risorse. Per superare queste limitazioni, questa tesi presenta ARTO, una soluzione innovativa basata sull’intelligenza artificiale, pensata per automatizzare e rendere più efficienti i test sui cockpit. Il nucleo di ARTO è costituito dal sottosistema di visione artificiale basata sulla Computer Vision, che consente il rilevamento, l’analisi e l’interazione in tempo reale con elementi della cabina, come interruttori, display e indicatori. Grazie a tecniche come il riconoscmento di oggetti e il riconoscimento ottico dei caratteri (OCR), ARTO simula l’osservazione e l’apprendimento umano, riducendo i tempi e i costi dei test ripetitivi e aumentando la precisione complessiva minimizzando gli errori. Inoltre, l’AI integrata in ARTO può essere sfruttata per apprendere dai dati dei test, adattarsi a nuovi scenari e individuare proattivamente eventuali anomalie, ottimizzando così sia il processo di testing sia l’utilizzo delle risorse. Questa tesi descrive in dettaglio la progettazione e l’implementazione del sottosistema di visione artificiale di ARTO, esplorando metodologie avanzate di elaborazione ed estrapolazione di dati dalle immagini, riconoscimento ottico dei caratteri e rilevamento degli oggetti all'interno del cockpit. I risultati sperimentali dimostrano che ARTO offre significativi miglioramenti in termini di efficienza, affidabilità e disponibilità delle risorse impiegate nei test, mettendo in luce il potenziale dell’automazione basata sull’AI per i processi di V&V in ambito aerospaziale. In conclusione, ARTO rappresenta un’innovazione promettente che può portare a un sostanziale avanzamento nelle pratiche di testing nel settore aeronautico.