Deep Transfer Learning per migliorare le Abilità Collaborative dei Robot mediante la Predizione del Movimento Umano su Dataset di dimensioni ridotte

The objective of the thesis is to investigate the application of Deep Transfer Learning in Human Motion Prediction models within the context of Collaborative Robotics. Currently, motion anticipation algorithms primarily focus on datasets based on generic human actions in open spaces, neglecting the crucial aspects of environmental interaction. Given the limited availability of such datasets, the objective is to explore and evaluate the transferability of knowledge from Deep Learning models for Human Motion Prediction to previously unseen-small datasets, more specific for collaboration settings.

L’obiettivo della tesi è quello di esplorare l’applicazione del Deep Transfer Learning per modelli di previsione del movimento umano nel contesto della Robotica Collaborativa. Attualmente, gli algoritmi di anticipazione del movimento si concentrano principalmente su dataset basati su azioni umane generiche in spazi aperti, trascurando gli aspetti cruciali dell’interazione con l’ambiente circostante. Data la limitata disponibilità di tali dataset, l’obiettivo è quello di esplorare e valutare la trasferibilità della conoscenza dai modelli di Deep Learning per la previsione del movimento umano a nuovi dataset, più specifici del contesto della collaborazione.