Progetto appennino: Il recupero dei territori abbandonati nelle vallate tosco-romagnole

Lo studio compiuto in questa tesi è posto ad identificare i caratteri ricorrenti dell'architettura spontanea della Romagna toscana al fine di definire una strategia di riconquista territoriale. La zona è infatti caratterizzata da un forte abbandono, causa del degrado e perdita di tutti quei manufatti simbolo della storia e cultura particolari dell'area. Osservando i processi di mutazione dei singoli insediativi storici, una serie di nuove azioni viene identificata e, tramite queste, delineate le linee guida compositive per l'inserimento di un nuovo nucleo all'interno degli edifici rurali allo stato di rudere. Insieme a processi di associazione e mutazione, viene fornita un'analisi della relazione che questi hanno con l'assetto morfologico delle vallate, combinando un sistema modulare e ripetitivo con quello della realtà fisica. Infine è proposto un esempio progettuale, dove le dinamiche prima teorizzate vengono esposte attraverso le necessità del progetto architettonico.

Riconoscimento delle emozioni tramite strumentazione per EEG

Lo scopo di questa trattazione è quindi di illustrare il lavoro svolto nel tentativo di classificare le reazioni emozionali ad immagini con una forte carica emozionale, sia positiva che negativa. A tale scopo sono stati acquisiti i segnali EEG di diversi soggetti durante l’esposizione ad immagini di vario contenuto, insieme alla loro reazione dichiarata alle immagini stesse. Queste sono state immagazzinate, elaborate utilizzando diversi metodi di estrazione delle informazioni, ed infine si è tentato di effettuare un riconoscimento di pattern sui segnali tramite algoritmi di apprendimento supervisionato; i dati sono stati quindi divisi tra dati di “training”, utilizzati per la strutturazione dell’algoritmo, e dati di test, necessari per la verifica dell’affidabilità dell’algoritmo.

Robotic Manipulation of DLOs for Wiring Harness Assembly: a Machine Learning Approach

In recent times, a significant research effort has been focused on how deformable linear objects (DLOs) can be manipulated for real world applications such as assembly of wiring harnesses for the automotive and aerospace sector. This represents an open topic because of the difficulties in modelling accurately the behaviour of these objects and simulate a task involving their manipulation, considering a variety of different scenarios. These problems have led to the development of data-driven techniques in which machine learning techniques are exploited to obtain reliable solutions. However, this approach makes the solution difficult to be extended, since the learning must be replicated almost from scratch as the scenario changes. It follows that some model-based methodology must be introduced to generalize the results and reduce the training effort accordingly. The objective of this thesis is to develop a solution for the DLOs manipulation to assemble a wiring harness for the automotive sector based on adaptation of a base trajectory set by means of reinforcement learning methods. The idea is to create a trajectory planning software capable of solving the proposed task, reducing where possible the learning time, which is done in real time, but at the same time presenting suitable performance and reliability. The solution has been implemented on a collaborative 7-DOFs Panda robot at the Laboratory of Automation and Robotics of the University of Bologna. Experimental results are reported showing how the robot is capable of optimizing the manipulation of the DLOs gaining experience along the task repetition, but showing at the same time a high success rate from the very beginning of the learning phase.