Proposte tesi/progetti

I sistemi di anomaly detection per la robotica sono difficili da valutare: mancano guasti riproducibili e ground truth affidabile. La tesi progetta un framework per iniettare in modo controllato guasti in un'applicazione ROS 2 senza modificarne il codice: perdita e ritardo di messaggi su topic selezionati, saturazione di CPU e memoria via cgroups, degrado della rete con tc netem, corruzione dei dati sensoriali, terminazione improvvisa di nodi.

Ogni campagna di iniezione e' descritta in un formato dichiarativo (tipo di guasto, entita' bersaglio, intensita', finestra temporale) e produce automaticamente le annotazioni temporali dei guasti. Su questa base si calcolano precision, recall e detection delay dei detector, si tracciano curve di sensibilita' al variare dell'intensita' del guasto e si costruisce una suite di regressione per verificare che le modifiche ai modelli non peggiorino le prestazioni.

Competenze utili: ROS 2, Python, Linux di sistema (cgroups, namespace, networking). Validazione sulle piattaforme TIAGo del laboratorio.

Un rilevatore di anomalie produce punteggi, non diagnosi: l'operatore riceve un allarme su un nodo o un topic e deve capire da solo cosa sia successo. La tesi costruisce un livello di spiegazione a due strati sopra un sistema di anomaly detection per ROS 2.

Il primo strato, deterministico, raccoglie le evidenze a supporto dell'allarme: contributo delle singole feature al punteggio tramite tecniche di feature attribution, andamento delle metriche prima e dopo l'evento, posizione dell'entita' nel computation graph e relazioni di pubblicazione e sottoscrizione. Questo strato consente anche di filtrare entita' spurie e processi di sistema che inquinano le classifiche di severita'.

Il secondo strato usa un modello linguistico per trasformare le evidenze strutturate in una spiegazione leggibile e in suggerimenti di intervento, eventualmente con accesso al codice sorgente del nodo sospetto. Vincolo di progetto: ogni affermazione generata deve essere tracciabile a un'evidenza misurata. La valutazione prevede uno studio con utenti che misuri tempo e accuratezza nell'identificare la causa di un allarme, con e senza spiegazione.

Afferrare un bicchiere di plastica, una siringa e un contenitore di vetro richiede forze e strategie di presa diverse, ma le pipeline di grasping tradizionali ragionano solo sulla geometria dell'oggetto. La tesi sviluppa una pipeline in cui il materiale stimato dell'oggetto condiziona la scelta della presa e della forza applicata.

Il sistema integra acquisizione RGB-D con RealSense D435, segmentazione promptable dell'oggetto indicato dall'utente in linguaggio naturale e un modello visione-linguaggio per inferire proprieta' del materiale, come rigidita', fragilita' e attrito superficiale. Le proprieta' stimate vengono mappate su parametri di presa e integrate nel controllo del manipolatore.

La valutazione confronta la pipeline material-aware con una baseline puramente geometrica su un insieme di oggetti clinici e domestici, misurando tasso di successo, deformazione o danneggiamento e stabilita' della presa. Piattaforma: TIAGo Pro.

Le politiche visuomotorie tradizionali predicono una singola azione per istante e falliscono nei compiti multimodali, dove esistono piu' modi ugualmente corretti di riuscire. La tesi esplora l'uso di modelli di diffusione come politiche di manipolazione: invece di una singola azione, la rete genera una traiettoria completa nello spazio delle azioni, catturando naturalmente la molteplicita' delle soluzioni.

Lo studente raccoglie un dataset di dimostrazioni teleoperando il TIAGo Pro su compiti di manipolazione, addestra la politica su osservazioni RGB-D e stato propriocettivo, e la confronta con una baseline di behavior cloning su tasso di successo, robustezza a perturbazioni della posa iniziale e capacita' di generalizzare a oggetti non visti.

Requisiti: buona base di deep learning e PyTorch, disponibilita' a lavorare sul robot reale. Risorse GPU fornite dal laboratorio.

Un robot in servizio incontra nel tempo oggetti, stanze e condizioni di illuminazione nuovi. Riaddestrare da zero e' impraticabile a bordo, mentre il fine-tuning incrementale degrada le prestazioni sui compiti appresi in precedenza. La tesi affronta il problema del catastrophic forgetting su un modello percettivo eseguito sull'hardware del robot.

Si confrontano famiglie diverse di tecniche di continual learning, come replay con buffer limitato, regolarizzazione dei parametri e metodi basati su architetture espandibili, sotto vincoli realistici di memoria, latenza e consumo. La valutazione usa sequenze di task costruite a partire da dati raccolti con le piattaforme TIAGo e misura sia le prestazioni sul task corrente sia la ritenzione su quelli precedenti.

Tesi con forte componente metodologica di machine learning e banco di prova robotico immediato.

Nei sistemi spaziali la diagnosi dei guasti avviene in larga parte a terra, con latenze incompatibili con le missioni piu' autonome. Portare il rilevamento a bordo significa eseguire modelli di anomaly detection su hardware certificato, con budget di calcolo, memoria e potenza estremamente ridotti.

La tesi lavora su telemetria satellitare pubblica: costruzione della pipeline di preprocessing, addestramento di rilevatori di anomalie su serie temporali multivariate e successiva compressione dei modelli tramite quantizzazione, pruning e distillazione. Il contributo centrale e' la caratterizzazione del compromesso fra accuratezza di rilevamento e costo computazionale, con misure su piattaforme embedded rappresentative.

Tesi adatta a chi e' interessato all'applicazione del machine learning al dominio spaziale e ai sistemi critici.