SPOT

Spot è un progetto recentemente lanciato che mira a creare una versione "micro" di un quadrupede robotico capace di collaborare con il nostro drone autonomo sfruttando le sue capacità di visione e mappatura. L'obiettivo è esplorare e analizzare aree ad alto rischio per gli esseri umani. L'obiettivo finale è generare una versione open-source che permetta a quanti più studenti ed appassionati possibile di replicarla e svilupparla ulteriormente nel tempo. Inoltre, ci sono piani per integrare il nostro braccio robotico Arduino nella configurazione del robot, permettendo al quadrupede di recuperare oggetti da aree pericolose.

Il progetto trae ispirazione dal famoso robot “Spot” sviluppato da Boston Dynamics. “Spot” è un robot versatile progettato per applicazioni industriali e commerciali, tra cui ispezione di ambienti pericolosi, raccolta dati, automazione, assistenza di emergenza e apprendimento autonomo.

Il gruppo di lavoro, composto da circa 30 persone (associati AEA e studenti del Politecnico), è diviso in tre team:

• Team Hardware: Responsabile della progettazione e costruzione della struttura del robot utilizzando la stampa 3D e ottimizzando il posizionamento dei motori e dei PCB.

• Team di Controllo: Questo gruppo svilupperà e implementerà algoritmi di controllo avanzati come il Controllo Orientato al Campo (FOC) per gestire il movimento del robot. Verranno fornite due configurazioni: controllo manuale tramite telecomando e guida autonoma per scenari più complessi.

• Team Visione: Concentrato sull'applicazione di algoritmi di visione artificiale e apprendimento automatico supportati dal software Colab Pro+ di Google per interpretare lo spazio catturato dalle telecamere del robot.

I motori previsti saranno motori brushless modificati con riduttori di motori brushless, consentendo al sistema di ottenere la coppia necessaria e controllare il movimento attraverso il FOC. I partecipanti al progetto creeranno varie configurazioni di PCB per il design finale del quadrupede. L'implementazione degli algoritmi comporterà lo studio e lo sviluppo ulteriore di simulatori open-source esistenti all'interno della libreria “Spot Micro AI”, contribuendo al suo sviluppo continuo. Gli studenti coinvolti nel progetto hanno iniziato a lavorare sulla modellazione del robot e sulla scelta dei componenti da acquistare.

ROVER

RoverTech è un team di PoliSpace mirato a partecipare all'European Rover Challenge - missione di ricognizione dell'ambiente marziano - una sfida internazionale a cui partecipano team di molte università. L'obiettivo è creare un rover e un UAV (Unmanned Aerial Vehicle) capaci di studiare il Pianeta Rosso affrontando compiti basati sulle missioni NASA ed ESA per inviare persone su Marte:

È l'anno 2050. L'esecuzione riuscita del programma ARTEMIS ha dimostrato che le persone sono in grado di costruire basi sulla Luna. Il prossimo passo è svolgere le stesse attività su Marte. Questo compito è molto più impegnativo, soprattutto a causa della distanza tra la Terra e Marte. Ciò comporta l'impossibilità di inviare missioni di salvataggio e recupero rapide. Questo è il motivo per cui dobbiamo assicurarci che tutto sia stato fatto per garantire il massimo livello di sicurezza possibile per i primi astronauti che raggiungeranno il Pianeta Rosso. Le prime persone atterreranno sul Pianeta Rosso nei prossimi 5 anni. Tuttavia, per minimizzare i rischi residui, una missione rover è stata lanciata con successo e atterrata sulla superficie di Marte vicino al luogo selezionato per l'atterraggio del primo astronauta. Il rover è sceso dal lander utilizzando il sistema di discesa personalizzato ed è pronto per le operazioni.

Questo rover, per completare la missione, deve essere in grado di affrontare alcuni compiti specifici: esaminare l'area di atterraggio, costruire un muro o un passaggio in un luogo precedentemente definito, raccogliere campioni di superficie e sottosuolo del suolo marziano che saranno inviati sulla Terra per ulteriori analisi e il ritorno autonomo al modulo del lander marziano. Il drone invece deve essere in grado di volare sulla superficie di Marte per rilevare potenziali ostacoli che impediscono il movimento del rover e per valutare il valore del terreno in termini di attività future di campionamento.

Il braccio robotico è il risultato del lavoro di circa 25 persone divise in tre aree principali:

• Meccanica: Progettazione di accoppiamenti ad alte prestazioni con riduttori innovativi e motori senza telaio integrati, connessioni ad alta rigidità e un effettore adatto per eseguire il compito previsto.

• Elettronica: Creazione di schede di controllo articolari dotate di inverter e controller efficienti ottimizzati per il controllo vettoriale dell'effettore con sensori progettati per garantire l'autonomia e del robot completo per coordinare i vari apparati e controllare i movimenti del robot nell'ambiente circostante e la manipolazione. Tutto ciò avviene tramite linee di comunicazione robuste.

• Software: La modularità e l'affidabilità sono garantite da sistemi operativi come ROS2 e MicroROS per il controllo in tempo reale. Un ambiente di simulazione basato su Gazebo, Unreal Engine 5 e rVIZ offre grande adattabilità a diverse circostanze, mentre OpenCV e TensorFlow consentono al robot di vedere l'ambiente reale. Per il controllo, la pianificazione della traiettoria e le parti di manipolazione è stato adottato MoveIt2 insieme all'uso dell'intelligenza artificiale.

COMPUTER VISION

Il progetto di Computer Vision consiste nello sviluppo di algoritmi di controllo e cinematica diretta/inversa su un braccio robotico Arduino. La visione artificiale viene utilizzata per identificare gli oggetti da raccogliere tramite algoritmi di intelligenza artificiale e comunicare la loro posizione al braccio robotico. Il progetto è diviso in due parti: Computer Vision e Controllo.

Per quanto riguarda la visione artificiale, vengono utilizzati due diversi prodotti software per scopi distinti:

• Marcatori ArUco: Vengono utilizzati per l'identificazione degli oggetti e la stima della posizione. In questa configurazione, la fotocamera è montata sull'end-effector. I codici ArUco sono stati preferiti agli algoritmi che utilizzano YOLO (Machine Learning) perché l'addestramento di quest'ultimo si è dimostrato troppo complesso.

• Configurazione della Fotocamera Fissa: In questa configurazione, la fotocamera è fissata in un punto specifico. Le librerie OpenCV vengono utilizzate invece del Machine Learning per l'identificazione degli oggetti e delle caratteristiche. OpenCV è un'applicazione di Machine Learning ottimizzata per la visione artificiale.

Il sistema di controllo è implementato utilizzando ROS (Robot Operating System). Il codice è composto da diversi nodi, ciascuno con un compito specifico. L'architettura dei nodi segue un modello basato su argomenti piuttosto che su un modello client-server. I diversi nodi sono divisi in compiti come:

• Riconoscimento degli oggetti tramite CV: Identificazione dell'oggetto utilizzando la visione artificiale e pubblicazione della sua posizione.

• Ricezione della posizione dell'oggetto: Calcolo delle coordinate delle articolazioni tramite cinematica inversa basata sulla posizione dell'oggetto ricevuta. Queste informazioni possono anche essere ricevute tramite il terminale.

• Controllo della fattibilità degli angoli:Garantire che gli angoli delle articolazioni siano fattibili ed evitare singolarità.

• Esecuzione degli strumenti:Esecuzione dei comandi utilizzando lo strumento montato sull'end-effector.

Tutti i nodi ROS, ad eccezione di quello responsabile dell'invio dei comandi ai servomotori, funzionano su un PC collegato a un Raspberry Pi. Il PC offre una potenza di calcolo significativamente maggiore rispetto al Raspberry Pi. La comunicazione tra il Raspberry Pi e i servomotori avviene tramite I2C. I prossimi passi prevedono l'integrazione degli sviluppi di entrambi i gruppi per avviare la fase generale di test.

SAPIENS

SAPIENS, acronimo di Sensor Aided Prostheses Integrating Electrophysiology Neural Systems, consiste nel progettare e costruire una protesi di mano bionica che soddisfi le esigenze comuni dell'utente.​ I movimenti e i gesti della mano sono controllati tramite sensori di elettromiografia (EMG) applicati sulla superficie del braccio dell'utente. ​ La pressione di presa della mano è gestita misurando la concentrazione dell'utente con una cuffia di elettroencefalografia (EEG) (Emotiv Insight 2). ​ Il gruppo di lavoro è diviso in team:

• Elettronica: Gestisce i driver dei motori della mano; motori BLDC micro silenziosi ad alta densità di potenza da 40W garantiranno un funzionamento molto più realistico e caratteristiche simili a quelle di una mano reale (velocità e coppia).

• Meccanica: Si occupa della trasmissione della potenza meccanica; i riduttori trasformeranno la potenza meccanica composta da alta velocità e bassa coppia dei motori in potenza a bassa velocità e alta coppia per le falangi a costo di un po' di attrito e inerzia.

• Software: Sarà responsabile della gestione di tutte le funzioni della protesi, inclusi input dati dai sensori, comandi, controller e feedback. L'obiettivo è mantenere una certa modularità nel software in modo che le funzioni possano essere facilmente aggiunte in un secondo momento.

• Elettroencefalografia: Per utilizzare i segnali EEG per controllare la protesi, è necessario individuare segnali facilmente replicabili e distinguibili, quindi si è deciso di seguire due percorsi diversi: Machine Learning (con due soluzioni: Riconoscimento del Pattern e Classificazione) e analisi delle onde grezze.

• Elettromiografia: I dati verranno estratti utilizzando il sensore e inviati tramite comunicazione seriale a un computer che li ascolta, li raccoglie con matlab e li memorizza in una matrice excel per alimentare correttamente l'algoritmo di addestramento AI.

Il team elettronico ha già creato i circuiti elettrici per il sensore EMG che è già completato. Sta migliorando i circuiti elettrici collaborando con l'agenzia FAE che fornirà alcuni prototipi PCB da testare prima della realizzazione dell'PCB definitivo. Il team software sta migliorando il codice per il FOC (Field-Oriented Control) con cui può controllare i motori. Sta utilizzando ROS (Robot Operating System) per controllare il sistema di microcontrollori al fine di gestire il movimento delle dita. Il team meccanico sta migliorando la configurazione per ottenere risultati efficienti riducendo il numero di motori da 12 a 8 e evitando (per ora) il movimento lumbricale. Il team EMG ha creato un sensore saldato su una breadboard per catturare segnali più precisi. Sta utilizzando un software per acquisire e studiare i segnali. Utilizzando questo software, il team è in grado di visualizzare i movimenti della mano bionica. Il team EEG sta collaborando con professori del Politecnico di Milano per migliorare la conoscenza dell'argomento. Sta utilizzando una cuffia elettrodi EEG di BCI (Brain-Computer Interface) per controllare le aree del cervello dedicate ai movimenti. Il team sta anche adattando il software per la cuffia elettrodi. Per quanto riguarda l'intero progetto, la struttura esterna è già stampata mentre la struttura delle dita è già testata ed è in fase di assemblaggio. Nel prossimo futuro sarà scelto il posizionamento dei motori e dei circuiti elettrici