Localized drug administration is a promising area where microrobotics has the potential to revolutionize current therapeutic methods. The CELLOIDS project proposes to develop innovative microrobots inspired by immune cells that naturally move through body tissues by changing their shape. Their ultra-deformable body makes these microrobots able to move along small interstices, potentially enabling their movement inside the tissues. These ultra-soft microrobots are based on ferrofluid-loaded Giant Unilamellar Vesicles (GUVs), have a size of a few tens of microns, and are magnetically actuated to achieve movement in cluttered environments.However, navigation of magnetic microrobots requires continuous position acquisition to effectively change the required magnetic field parameters. \textit{In vivo} imaging of microrobots in physiological environments becomes a difficult task due to limitations of current imaging modalities, which do not possess the spatiotemporal resolution required for closed-loop microrobots control (~10 $\mu$m, < 1 s). These challenges push one to develop navigation algorithms that are less dependent on the exact localization of the microrobots. In this thesis, an algorithm is developed to generate a sequence of actions that navigates the microrobots in tissue-like environments without relying on continuous tracking. To do so, two methods are proposed to continuosly generate movement angles to steer the microrobot around unknown obstacles, namely, random angle strategy and sweeping angle strategy. First, a simulation environment consisting of randomly dispersed obstacles in a grid world map is created to collect relevant data about each simulation run such as elapsed time, distance from the target, and hitting the target line. Then, these data are inspected to establish a cost function to penalize the undesired output combinations of tuning parameters of the actuation sequence generation strategies. To generalize this minimization problem for predicting the minimum cost for any obstacle densities, the Gaussian Process Regression (GPR) method is used to find the best value of the tuning parameter of the action sequence generation strategies. To test the algorithm in the real world, experimental setups that replicate the simulated maps are fabricated by two-photon lithography. The results of the real-world experiments are reported and discussed in terms of limitations and improvements. In the end, it is developed action sequence generation algorithms that can be used in the applications for blind navigation of microrobots in unknown environments. This thesis is carried out at the Sant'Anna School of Advanced Studies, Pisa.

La somministrazione localizzata di farmaci è un'area promettente in cui la microrobotica ha il potenziale per rivoluzionare gli attuali metodi terapeutici. Il progetto CELLOIDS propone di sviluppare microrobot innovativi ispirati alle cellule immunitarie che si muovono naturalmente nei tessuti corporei cambiandone la forma. Il loro corpo ultra-deformabile rende questi microrobot in grado di muoversi lungo piccoli interstizi, consentendo potenzialmente il loro movimento all'interno dei tessuti. Questi microrobot ultra-morbidi sono basati su Vescicole unilamellari giganti (GUV) caricate con ferrofluido, hanno una dimensione di poche decine di micron e sono azionati magneticamente per ottenere il movimento in ambienti disordinati. Tuttavia, la navigazione dei microrobot magnetici richiede un'acquisizione continua della posizione per modificare efficacemente i parametri del campo magnetico richiesti. \textit{L'imaging in vivo} dei microrobot in ambienti fisiologici diventa un compito difficile a causa delle limitazioni delle attuali modalità di imaging, che non possiedono la risoluzione spaziotemporale richiesta per il controllo dei microrobot a circuito chiuso (~10 $\mu$m, < 1 s). Queste sfide spingono a sviluppare algoritmi di navigazione che siano meno dipendenti dalla localizzazione esatta dei microrobot. In questa tesi, viene sviluppato un algoritmo per generare una sequenza di azioni che naviga i microrobot in ambienti simili a tessuti senza fare affidamento sul tracciamento continuo. Per fare ciò, vengono proposti due metodi per generare continuamente angoli di movimento per guidare il microrobot attorno a ostacoli sconosciuti, vale a dire, strategia di angolo casuale e strategia di angolo di sweeping. Innanzitutto, viene creato un ambiente di simulazione costituito da ostacoli dispersi casualmente in una mappa mondiale a griglia per raccogliere dati rilevanti su ogni esecuzione di simulazione come tempo trascorso, distanza dal bersaglio e impatto sulla linea del bersaglio. Quindi, questi dati vengono ispezionati per stabilire una funzione di costo per penalizzare le combinazioni di output indesiderate dei parametri di ottimizzazione delle strategie di generazione della sequenza di attuazione. Per generalizzare questo problema di minimizzazione per prevedere il costo minimo per qualsiasi densità di ostacoli, viene utilizzato il metodo di regressione del processo gaussiano (GPR) per trovare il valore migliore del parametro di ottimizzazione delle strategie di generazione della sequenza di azioni. Per testare l'algoritmo nel mondo reale, vengono realizzati setup sperimentali che replicano le mappe simulate mediante litografia a due fotoni. I risultati degli esperimenti nel mondo reale vengono riportati e discussi in termini di limitazioni e miglioramenti. Alla fine, vengono sviluppati algoritmi di generazione di sequenze di azioni che possono essere utilizzati nelle applicazioni per la navigazione cieca di microrobot in ambienti sconosciuti. Questa tesi è svolta presso la Scuola Superiore Sant'Anna di Pisa.