AI-empowered robotics for manufacturing and warehouse item handling

This thesis explores the development of AI-powered robotic systems that transcend the traditional role of rigid, pre-programmed machines. It addresses the growing demand for intelligent and adaptive automation in modern industrial environments, which are increasingly defined by high variability and product customization. As manufacturing and logistics shift toward high-mix, low-volume production, conventional automation, reliant on precise models and fixed routines, has become progressively insu!cient. In response, this research advances the field of intelligent robotics by integrating artificial intelligence, multi-modal sensing, and human-inspired cognitive capabilities, enabling robots to perceive, reason, and learn within complex and dynamic settings. The pursuit of transforming robots into more autonomous agents is examined across three application domains: robotic surface polishing, deburring of deformable shoe soles, and object grasping in warehouse environments. Each scenario demands a high degree of perception, dexterity, and adaptability, qualities typically associated with human skill. In manufacturing, a polishing path-planning algorithm is developed for free-form polysurfaces, allowing robots to perform finishing operations even when 3D models are unavailable. In the footwear industry, where rubber soles vary in shape, color, and material, two deburring setups are investigated: one with a fixed deburring tool and moving workpiece, and another one with a fixed workpiece and moving tool. For the first configuration, a hybrid learning-from-demonstration framework is proposed, enabling robots to imitate expert actions through visual segmentation and motion modeling. This is further extended with a self-supervised vision-motion learning method that leverages reinforcement learning to associate visual inputs with tool trajectories, eliminating the need for labeled data or CAD models. For the second setup, a complete processing pipeline is developed, encompassing defect detection and execution, and incorporating online vision-based path correction to compensate for workpiece deformation. In the warehouse domain, a grasp learning framework is proposed that enables robots to acquire grasping strategies through experience and adapt them to novel yet similar objects. Overall, the proposed methodologies integrate AI, vision, and control to foster flexible and robust robotic behavior, reducing dependence on expert programming while enhancing robotic autonomy.

Questa tesi si concentra sullo sviluppo di sistemi robotici intelligenti, potenziati dall’intelligenza artificiale, concepiti per superare i limiti delle macchine tradizionali, rigide e completamente pre-programmate. Il lavoro a"ronta la crescente necessità di soluzioni di automazione più flessibili e adattive, capaci di operare in contesti industriali moderni sempre più caratterizzati da elevata variabilità e da una forte personalizzazione dei prodotti. Con la progressiva transizione della manifattura e della logistica verso produzioni ad alta diversificazione e basso volume, i sistemi di automazione convenzionali, basati su modelli geometrici precisi e sequenze operative rigide, risultano sempre meno e!caci. Per rispondere a queste nuove esigenze, la ricerca propone un avanzamento nel campo della robotica intelligente, attraverso l’integrazione di tecniche di intelligenza artificiale, sensori multimodali e capacità cognitive ispirate all’essere umano. In questo modo, i robot sono in grado di percepire, ragionare e apprendere all’interno di ambienti complessi e in continua evoluzione. L’obiettivo di rendere i robot agenti realmente autonomi viene perseguito in tre ambiti applicativi distinti: la lucidatura di superfici complesse, la sbavatura di suole deformabili nel settore calzaturiero e l’apprendimento della presa di oggetti in ambienti di magazzino. Ciascuno di questi scenari richiede abilità percettive, destrezza e capacità di adattamento paragonabili a quelle umane. Nel contesto manifatturiero viene sviluppato un algoritmo per la pianificazione dei percorsi di lucidatura, che consente ai robot di eseguire operazioni di finitura anche in assenza di modelli 3D. Nel settore calzaturiero, dove le suole in gomma presentano notevole variabilità di forma, colore e materiale, vengono analizzati due assetti di lavorazione: uno con utensile fisso e pezzo mobile, e l’altro con pezzo fisso e utensile mobile. Nel primo caso viene proposto un approccio ibrido di learning from demonstration, che permette al robot di apprendere e riprodurre i movimenti dell’operatore umano attraverso segmentazione visiva e modellazione del moto. Tale approccio è poi esteso mediante un metodo di apprendimento auto-supervisionato, basato su reinforcement learning, che consente di correlare le informazioni visive con le traiettorie utensile, senza ricorrere a dati etichettati o modelli CAD. Con riferimento al secondo assetto viene invece sviluppata un’intera pipeline operativa, dalla rilevazione dei difetti fino all’esecuzione del processo, includendo un sistema di correzione del percorso basato sulla visione, capace di compensare in tempo reale le deformazioni del pezzo. Nel contesto di logiche di magazzino, infine, viene proposto un framework di apprendimento della presa di oggetti che consente ai robot di imparare attraverso l’esperienza e di adattare le strategie apprese a oggetti nuovi, ma simili, a quelli già incontrati. Nel complesso, le metodologie proposte combinano intelligenza artificiale, visione computerizzata e tecniche di controllo per promuovere comportamenti robotici più flessibili e robusti, riducendo la dipendenza da programmatori esperti e aumentando il livello di autonomia delle macchine.