Neural Network Based Learning of Inverse Dynamics for Soft Robot Arm Control

This master's thesis explores the field of soft robotics and its complexities, proposing a data-driven approach to address the problem of inverse dynamics. Specifically, it aims to model the inverse dynamics of a soft robotic manipulator using model-based learning, demonstrating how Artificial Neural Networks (ANNs) could be a powerful tool for achieving high performance. Learning algorithms play a key role in modeling the dynamics of soft robots, which often exhibit highly non-linear and unpredictable behavior. By leveraging data-driven approaches, machine learning algorithms learn from the robot's interactions with its environment, enabling the development of a model without relying on complex mathematical derivations, an aspect particularly challenging in soft robotics.The proposed model generates control actions, while a closed-loop control framework dynamically compensates for deviations and disturbances, ensuring system stability. Through tuning techniques and empirical approaches, this work demonstrates that trajectory-tracking performance can be significantly improved by integrating neural networks with a closed-loop control strategy. As this technology advances, soft robots will play a crucial role in industries requiring delicate and complex human-robot interactions, broadening the scope of what robotics can achieve.

Questa tesi di laurea magistrale esplora il campo della robotica soft e le sue complessità, proponendo un approccio data-driven per affrontare il problema della dinamica inversa. In particolare, si propone di modellare la dinamica inversa di un manipolatore robotico morbido utilizzando l'apprendimento basato su modelli, dimostrando come le Reti Neurali Artificiali (ANN) possano essere un potente strumento per ottenere elevate prestazioni. Gli algoritmi di apprendimento svolgono un ruolo fondamentale nella modellazione delle dinamiche dei robot morbidi, che spesso presentano un comportamento altamente non lineare e imprevedibile. Sfruttando approcci basati sui dati, gli algoritmi di apprendimento automatico apprendono dalle interazioni del robot con il suo ambiente, consentendo lo sviluppo di un modello senza affidarsi a complesse derivazioni matematiche, un aspetto particolarmente impegnativo nella robotica morbida. Il modello proposto genera azioni di controllo, mentre un quadro di controllo ad anello chiuso compensa dinamicamente le deviazioni e i disturbi, garantendo la stabilità del sistema. Attraverso tecniche di tuning e approcci empirici, questo lavoro dimostra che le prestazioni di tracciamento della traiettoria possono essere significativamente migliorate integrando le reti neurali con una strategia di controllo ad anello chiuso. Con il progresso di questa tecnologia, i robot morbidi svolgeranno un ruolo sempre più cruciale nei settori che richiedono interazioni uomo-robot delicate e complesse, ampliando la portata di ciò che la robotica può realizzare