Algoritmi di deep learning per il pick-and-place in robotica industriale

In questo lavoro viene presentato un sistema completo per l'addestramento di una rete neurale dedicata alla valutazione automatica della qualità di presa su componenti metallici piani. La pipeline include la generazione del dataset tramite simulazioni fisiche, l'elaborazione delle immagini con sovrapposizione del gripper in posizioni candidate, e l'addestramento supervisionato mediante una rete neurale sviluppata interamente con un wrapper C++/CLI su libTorch. Il sistema è stato progettato con un'architettura modulare, comprendente classi dedicate per la gestione dei tensori, la definizione dei layer e la logica di training. I risultati ottenuti mostrano una bassa perdita di errore sia sul set di validazione che su quello di test, con prestazioni compatibili con applicazioni industriali in tempo reale. Il modello appreso è inoltre in grado di generalizzare efficacemente, replicando il comportamento sperimentale nella valutazione delle posizioni di presa.