Identificazione del modello dinamico di un robot SCARA mediante reti neurali: simulazioni e test sperimentali

Questa tesi introduce un nuovo approccio all'identificazione dei parametri dinamici di un robot SCARA, sfruttando le potenzialità delle reti neurali. Inizialmente, sono state condotte simulazioni estensive per generare un ampio dataset di dati di training, variando le traiettorie del robot al fine di catturare una vasta gamma di comportamenti dinamici. È stata condotta un'analisi approfondita per determinare il numero ottimale e il tipo di traiettorie da includere nel dataset, al fine di ottenere la massima accuratezza nella stima della coppia del robot con il minor numero possibile di dati. Sono state inoltre valutate diverse architetture di reti neurali e sono stati sperimentati diversi iperparametri (come il tasso di apprendimento, il numero di neuroni per strato e la funzione di attivazione) per identificare la configurazione ottimale per rappresentare la dinamica del robot. Successivamente, sono stati eseguiti esperimenti di laboratorio, riproponendo le traiettorie ottimizzate nelle simulazioni, al fine di validare il modello in condizioni reali. I risultati sperimentali hanno confermato l'efficacia del modello, dimostrando un'elevata accuratezza nella stima della coppia anche in presenza di non idealità del sistema, quali attrito, gioco ed elasticità.