Small Symposium on Robotics
Martedì 12 novembre 2024 | 15:00 - 18:00
Politecnico di Milano - Piazza Leonardo Da Vinci 32
Aula 3.1.5 (Edificio 3)
Politecnico di Milano - Piazza Leonardo Da Vinci 32
Aula 3.1.5 (Edificio 3)
Contatti:
Prof.ssa Elena De Momi | elena.demomi@polimi.it
Prof. Matteo Matteucci | matteo.matteucci@polimi.it
Prof. Andrea Zanchettin | andreamaria.zanchettin@polimi.it
Prof.ssa Elena De Momi | elena.demomi@polimi.it
Prof. Matteo Matteucci | matteo.matteucci@polimi.it
Prof. Andrea Zanchettin | andreamaria.zanchettin@polimi.it
Sommario
Martedì 12 novembre 2024 dalle 15:00 alle 18:00 si terrà presso l’Aula 3.1.5 del Politecnico di Milano (Edificio 3) una serie di tre seminari dedicati alla robotica, dal titolo “Small Symposium on Robotics”. A intervenire come speaker saranno la Prof.ssa Federica Ferraguti (Università degli Studi di Modena e Reggio Emilia), il Prof. Gabriele Costante (Università degli Studi di Perugia) e il Prof. Andrea Pupa (Università degli Studi di Modena e Reggio Emilia).
Federica Ferraguti – The Future of Surgery: AI-Powered Diagnosis and Robotic Assistance
15:00 – 16:00
L'intelligenza artificiale sta rivoluzionando il mondo della chirurgia, offrendo soluzioni innovative sia per la diagnosi che per l'assistenza durante gli interventi. L’intervento della Prof.ssa Ferraguti fornirà esempi di applicazioni dell'IA per la diagnosi automatizzata delle patologie chirurgiche, esplorando come algoritmi avanzati possano analizzare le immagini mediche e i dati dei pazienti per identificare eventuali anomalie con elevata accuratezza e precisione. Inoltre, esaminerà il ruolo dell'assistenza robotica nel fornire supporto ai chirurghi durante gli interventi. Integrando sistemi basati sull'IA, le piattaforme robotiche possono garantire maggiore precisione, destrezza e visibilità, determinando esiti più favorevoli. In particolare, verrà discusso il caso specifico della nefrolitotomia percutanea assistita.
Gabriele Costante – Deep Reinforcement Learning in Vision-Based Mobile Robotics: Core Principles, Latest Advances, and Causal Inference Strategies for Data Augmentation
16:00 – 17:00
Lo sviluppo di robot e sistemi di controllo avanzati in grado di affrontare compiti complessi è diventato un punto di riferimento per l’avanzamento della tecnologia in diversi campi, tra cui la sorveglianza, l'agricoltura, i trasporti e l’assistenza alle persone. Al centro di questo progresso ci sono le strategie di Reinforcement Learning (RL) e Deep Reinforcement Learning (DRL), che hanno dimostrato una notevole efficacia nel modellare le relazioni tra percezione e azione. Queste tecnologie eccellono nella trasformazione di input alto-dimensionali, come le immagini, in comandi di controllo applicabili a una moltitudine di compiti che coinvolgono i robot mobili.
Dopo una breve rassegna dei principi-base del DLR, il seminario del Prof. Costante presenterà i progressi più recenti delle metodologie di DRL basate sulla visione nell’esecuzione di compiti specifici fa parte di robot terrestri e aerei, tra cui l'inseguimento attivo di bersagli, il controllo di quadrirotori, l'inseguimento di traiettorie e l'evitamento di collisioni. Verranno descritti gli aspetti metodologici e i risultati sperimentali delle soluzioni proposte, evidenziando vantaggi e limiti. L’intervento si baserà su questi risultati per discutere la nota questione dell'efficienza delle soluzioni DRL, il cui successo è significativamente influenzato dal volume dei dati utilizzati per l’addestramento. Questo aspetto è particolarmente critico quando la raccolta di esperienze viene condotta utilizzando piattaforme reali, poiché molte interazioni essenziali con l'ambiente, come quelle che porterebbero a collisioni tra robot, sono limitate o proibite.
Verrà quindi presentato un approccio innovativo che sfrutta il paradigma dell'inferenza causale per stabilire un quadro controfattuale per la generazione di esperienze nelle pratiche di addestramento DRL offline basato sulle immagini. Apprendendo lo Structural Causal Model (SCM), che rappresenta la dinamica del processo, questo metodo può generare campioni controfattuali per l’incremento dei dati.
Andrea Pupa – Planning under Uncertainties: Closed-Loop Sensitivity in Robotic Applications
17:00 – 18:00
Affrontare le incertezze è una sfida fondamentale nella robotica, soprattutto perché i sistemi robotici sono sempre più utilizzati in scenari reali a elevata complessità. Le incertezze nella dinamica dei robot, il “rumore” e le condizioni ambientali possono avere un impatto significativo sulle traiettorie pianificate, mettendo a rischio l'esecuzione dei compiti.
Il seminario del Prof. Pupa esplorerà i recenti progressi nella pianificazione del movimento, concentrandosi sul concetto di sensibilità dello stato ad anello chiuso, un potente strumento per valutare come le variazioni dei parametri del modello influenzino il comportamento del sistema sotto controllo di retroazione. L’intervento tratterà metodi innovativi per modellare le traiettorie del sistema in modo da migliorare la robustezza riducendo al minimo la sensibilità. In seguito, verrà introdotto il concetto di “uncertainty tubes”, ponendo l'accento sulle loro basi matematiche e sulla loro efficacia nel limitare le deviazioni dalle traiettorie pianificate. Questi approcci sono stati convalidati e testati su diverse piattaforme robotiche, dimostrando la loro applicabilità pratica e affidabilità in scenari reali.
Federica Ferraguti – The Future of Surgery: AI-Powered Diagnosis and Robotic Assistance
15:00 – 16:00
L'intelligenza artificiale sta rivoluzionando il mondo della chirurgia, offrendo soluzioni innovative sia per la diagnosi che per l'assistenza durante gli interventi. L’intervento della Prof.ssa Ferraguti fornirà esempi di applicazioni dell'IA per la diagnosi automatizzata delle patologie chirurgiche, esplorando come algoritmi avanzati possano analizzare le immagini mediche e i dati dei pazienti per identificare eventuali anomalie con elevata accuratezza e precisione. Inoltre, esaminerà il ruolo dell'assistenza robotica nel fornire supporto ai chirurghi durante gli interventi. Integrando sistemi basati sull'IA, le piattaforme robotiche possono garantire maggiore precisione, destrezza e visibilità, determinando esiti più favorevoli. In particolare, verrà discusso il caso specifico della nefrolitotomia percutanea assistita.
Gabriele Costante – Deep Reinforcement Learning in Vision-Based Mobile Robotics: Core Principles, Latest Advances, and Causal Inference Strategies for Data Augmentation
16:00 – 17:00
Lo sviluppo di robot e sistemi di controllo avanzati in grado di affrontare compiti complessi è diventato un punto di riferimento per l’avanzamento della tecnologia in diversi campi, tra cui la sorveglianza, l'agricoltura, i trasporti e l’assistenza alle persone. Al centro di questo progresso ci sono le strategie di Reinforcement Learning (RL) e Deep Reinforcement Learning (DRL), che hanno dimostrato una notevole efficacia nel modellare le relazioni tra percezione e azione. Queste tecnologie eccellono nella trasformazione di input alto-dimensionali, come le immagini, in comandi di controllo applicabili a una moltitudine di compiti che coinvolgono i robot mobili.
Dopo una breve rassegna dei principi-base del DLR, il seminario del Prof. Costante presenterà i progressi più recenti delle metodologie di DRL basate sulla visione nell’esecuzione di compiti specifici fa parte di robot terrestri e aerei, tra cui l'inseguimento attivo di bersagli, il controllo di quadrirotori, l'inseguimento di traiettorie e l'evitamento di collisioni. Verranno descritti gli aspetti metodologici e i risultati sperimentali delle soluzioni proposte, evidenziando vantaggi e limiti. L’intervento si baserà su questi risultati per discutere la nota questione dell'efficienza delle soluzioni DRL, il cui successo è significativamente influenzato dal volume dei dati utilizzati per l’addestramento. Questo aspetto è particolarmente critico quando la raccolta di esperienze viene condotta utilizzando piattaforme reali, poiché molte interazioni essenziali con l'ambiente, come quelle che porterebbero a collisioni tra robot, sono limitate o proibite.
Verrà quindi presentato un approccio innovativo che sfrutta il paradigma dell'inferenza causale per stabilire un quadro controfattuale per la generazione di esperienze nelle pratiche di addestramento DRL offline basato sulle immagini. Apprendendo lo Structural Causal Model (SCM), che rappresenta la dinamica del processo, questo metodo può generare campioni controfattuali per l’incremento dei dati.
Andrea Pupa – Planning under Uncertainties: Closed-Loop Sensitivity in Robotic Applications
17:00 – 18:00
Affrontare le incertezze è una sfida fondamentale nella robotica, soprattutto perché i sistemi robotici sono sempre più utilizzati in scenari reali a elevata complessità. Le incertezze nella dinamica dei robot, il “rumore” e le condizioni ambientali possono avere un impatto significativo sulle traiettorie pianificate, mettendo a rischio l'esecuzione dei compiti.
Il seminario del Prof. Pupa esplorerà i recenti progressi nella pianificazione del movimento, concentrandosi sul concetto di sensibilità dello stato ad anello chiuso, un potente strumento per valutare come le variazioni dei parametri del modello influenzino il comportamento del sistema sotto controllo di retroazione. L’intervento tratterà metodi innovativi per modellare le traiettorie del sistema in modo da migliorare la robustezza riducendo al minimo la sensibilità. In seguito, verrà introdotto il concetto di “uncertainty tubes”, ponendo l'accento sulle loro basi matematiche e sulla loro efficacia nel limitare le deviazioni dalle traiettorie pianificate. Questi approcci sono stati convalidati e testati su diverse piattaforme robotiche, dimostrando la loro applicabilità pratica e affidabilità in scenari reali.