Ingegneria Dell'automazione e Robotica

Obiettivo dell'insegnamento è quello di fornire agli studenti competenze avanzate sul dimensionamento, sul controllo e sull'esercizio di azionamenti elettrici con motori elettrici in corrente continua e alternata, che consentano sia l'analisi delle prestazioni energetiche e dinamiche di azionamenti già in esercizio, sia la scelta delle soluzioni più idonee nel caso di nuove installazioni, con particolare riferimento ai sistemi di automazione e robotica industriale.
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare di:
· aver appreso gli strumenti metodologici per l’analisi e il dimensionamento sia dei singoli componenti di un azionamento elettrico - con particolare riferimento ai motori elettrici, ai convertitori statici di energia elettrica utilizzati per la loro alimentazione e ai relativi sistemi di controllo - sia dell’azionamento inteso come sistema collocato nell’ambito di un processo industriale;
· conoscere i punti di forza e le criticità dei differenti azionamenti elettrici basati su differenti tipologie di macchine elettriche, convertitori, sensoristica e strategie di controllo.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di:
· sapere utilizzare in autonomia gli strumenti metodologici acquisiti al fine individuare le soluzioni più idonee nel caso di nuove installazioni, con particolare riferimento ai sistemi di automazione industriale;
· saper implementare programmi di simulazione in ambiente Matlab/Simulink per l’analisi preventiva delle prestazioni dinamiche ed energetiche di un azionamento; ·
· sapere implementare su un PLC gli algoritmi di controllo di un azionamento utilizzando i linguaggi previsti dallo standard IEC 61131-3;
· saper applicare le conoscenze teoriche acquisite attraverso esercitazioni analitiche ed esperienze di laboratorio

· Analisi dei componenti costituenti un azionamento elettrico
· Elementi di meccanica degli azionamenti
· Modellizzazione del comportamento termico degli azionamenti elettrici
· Normativa di riferimento
· Azionamenti con motore in corrente continua: controllo in regime stazionario, controllo in cascata, regolatori industriali, esempi di applicazioni
· Cenni sulle architetture digitali per sistemi di controllo programmabili
· Impiego di microcontrollori per l'automazione industriale.
· Azionamenti con motore asincrono: modello della macchina asincrona in regime stazionario, caratteristiche di regolazione stazionarie, controllo tensione/frequenza, dominio limite di coppia, controllo della frequenza di scorrimento.
· Inverter a tensione impressa controllato in corrente
· Tecniche di modulazione vettoriale per inverter a tensione impressa
· Modello dinamico della macchina asincrona
· Controllo vettoriale del motore asincrono: orientamento sul flusso di statore e rotore, controllo diretto e indiretto, osservatori e stimatori del flusso, controllo diretto della coppia e del flusso, esempi di applicazioni.
· Azionamenti DC brushless: caratteristiche costruttive e principio di funzionamento, strategie di alimentazione per il controllo della velocità, schemi di controllo half wave e full wave.
· Azionamenti AC brushless o caratteristiche costruttive e principio di funzionamento: strategie di alimentazione per il controllo della velocità, controllo a orientamento di campo, dominio di regolazione coppia-velocità, esempi di applicazioni.
· Inverter multilivello tipo NPC
· Motore asincrono monofase
· Motore universale
· Azionamenti con motori asincroni con rotore ad anelli: schemi Kraemer e Scherbius
· Attività di laboratorio incentrata sull'uso dei PLC per il controllo di azionamenti elettrici con motori asincroni e brushless
· Project work su un azionamento con motore asincrono/brushless e controllo vettoriale

L’esame si articola in due momenti distinti, seppur contigui dal punto di vista temporale:
1) verifica di un elaborato progettuale consistente in un programma di simulazione realizzato e implementato da ciascuno studente per la modellizzazione di azionamenti con motore asincrono/brushless e controllo vettoriale (peso 1/4);
2) tre domande teoriche relative ai contenuti fondamentali in cui si articola il corso (peso 3/4).
La verifica del programma di simulazione di cui al precedente punto 1) ha come obiettivo l'accertamento della capacità dello studente di modellizzare correttamente un azionamento elettrico al fine di prevederne le prestazioni, sia energetiche che dinamiche, e di dimensionarne gli anelli di controllo. Le domande di cui al punto 2) hanno l’obiettivo di evidenziare il livello di approfondimento e consapevolezza raggiunto dallo studente nello studio della materia.

W. Leonhard: Control of Electrical Drives, Springer Verlag
B.K. Bose: Power Electronics and AC Drives.
A. Del Pizzo: Azionamenti Elettrici, volumi 1 e 2, editore: Praise Worthy Prize

Fornire allo studente nozioni su alcuni fenomeni meccanici che si possono verificare negli organi di macchine e le nozioni fondamentali per la progettazione dei sistemi meccanici. Una particolare attenzione viene rivolta all’approfondimento di nozioni della meccanica dei Robot.
Conoscenza e capacita' di comprensione: Le attività formative previste dall’insegnamento mirano a fornire allo studente tutti gli strumenti metodologici necessari ad affrontare lo studio di un sistema meccanico in generale e di uno robotico in particolare. Lo studente deve dimostrare di conoscere e saper comprendere le problematiche relative alla meccanica che sono sempre presenti in qualsiasi sistema automatico o automatizzato. Le lezioni e le esercitazioni hanno lo scopo di sviluppare nello studente le connessioni causali tra l’analisi meccanica ed il funzionamento dei meccanismi anche destinati a costituire un sistema di automazione.
Capacita' di applicare conoscenza e comprensione: Il percorso formativo èorientato a trasmettere le capacità e gli strumenti metodologici e operativi necessari ad applicare concretamente le conoscenze relative all’analisi meccanica nelle fasi di progettazione e di studio dei sistemi meccanici stessi. Lo studente dovrà inoltre mostrare la capacità di utilizzo delle principali fasi di sintesi di un sistema robotico riconoscendone le caratteristiche principali e la struttura cinematica, e dimostrando di saper strutturare un’analisi cinematica e dinamica del sistema stesso.

§ Rigidità e deformabilità di componenti meccanici
§ Determinazione delle sollecitazioni negli organi di macchina
§ Sistemi a più gradi di libertà

• matrici di inerzia e matrici di rigidità
• equazioni del moto
• frequenze naturali
• linee elastiche
  § Dinamica dei rotori rigidi.
  § Elementi di dinamica dei rotori elastici
• Velocità critiche flessionali
• Bilanciamento dei rotori rigidi e macchine bilanciatrici
• Cenni sul bilanciamento dei rotori elastici
  § Studio del comportamento cinematico e dinamico di sistemi meccanici mediante simulazione al calcolatore.
  § Robot industriali
• Definizioni, concetti generali
• Classificazione dei robot
  § Descrizione e principi di funzionamento di un robot
• Sistemi di trasmissione del moto
• Riduttori
• Attuatori
• Altri componenti meccanici per l’automazione
  § Sistemi articolati piani ad 1 g.d.l.
• Quadrilateri articolati: studio cinematico
• Sintesi cinematica
• Bilanciamento statico
• Bilanciamento dinamico
  § Sistemi articolati ad n assi
• Problema cinematico diretto ed inverso
• Matrici di rotazione
• Coordinate omogenee
• Matrici di trasformazione
• Struttura dei link e parametri dei giunti
• Rappresentazione di Denavit ed Hartemberg
• Posizione della pinza
• Matrice di velocità
• Matrice di accelerazione
• Statica del braccio
• Calibrazione cinematica
  § Leggi del moto e traiettorie
• Tempo minimo di azionamento
• Scalatura delle leggi del moto
• Pianificazione delle leggi del moto e delle traiettorie di un robot
• Traiettoria della pinza di un robot ad n assi
  § Dinamica
• Equazioni di equilibrio dinamico di un manipolatore a più gradi di libertà
• Matrici delle azioni
• Forze che agiscono sui link
• Equilibrio dinamico dei segmenti
• Cenni sulla dinamica di manipolatori non rigidi

Il superamento delle prove intercorso da solo potrebbe non essere sufficiente per il superamento dell’esame. Se le prove intercorso non sono sostenute il giudizio è formulato solo sulla base della prova orale. L’esito delle prove intercorso e l’esito della prova orale consente di formulare il giudizio.
Il colloquio orale segue due prove intercorso distribuite temporalmente a metà ed a fine del corso volte all’accertamento dell’acquisizione dei concetti e dei contenuti introdotti durante le lezioni fino al momento della prova stessa. Tipicamente lo studente ha a disposizione 2 ore per la prova intercorso che consiste nel rispondere a quesiti o esercizi numerici. Le due prove hanno uguale peso sul giudizio finale.

Libro di testo: Vincenzo Niola, Giuseppe Quaremba - “Elemeti di dinamica non lineare di sistemi meccanici per l’Ingegneria. Dalla Trasformata Wavelet alla Teoria del Chaos”.
Libro di testo: Vincenzo Niola, Giuseppe Quaremba - “Sistemi Vibrazionali Complessi. Teoria, Applicazioni e metodologie Innovative di analisi”.
Libro di testo: C. Rossi – “Lezioni di Meccanica dei Robot” - Edizioni ESA, ISBN9788895430188
Dispense disponibili sul sito web del docente.

Il corso si propone di fornire le competenze di base per la modellistica, la pianificazione e il controllo del moto dei robot
Conoscenza e capacita' di comprensione: Il percorso formativo intende fornire agli studenti gli strumenti metodologici per la modellistica, la pianificazione e il controllo dei robot. Vengono introdotti i componenti di un robot, i modelli cinematici, statici e dinamici dei robot manipolatori, le tecniche di pianificazione di traiettoria e gli schemi di controllo. Lo studente deve dimostrare di avere appreso quali sono i requisiti dei sistemi dedicati al controllo dei robot, sulla base dei modelli impiegati. Lo studente deve inoltre dimostrare la conoscenza nella derivazione di modelli e nella validazione degli algoritmi per l’inversione cinematica e il controllo mediante strumenti di simulazione.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper derivare i modelli cinematici, statici e dinamici e di saperli applicare a casi di studio pratici riguardanti i robot manipolatori a catena aperta. A partire da questi, deve dimostrare di saper progettare schemi di controllo che risolvano i problemi di regolazione e di inseguimento di traiettoria e di saperli validare in ambiente Matlab/Simulink®.

Robotica industriale e robotica avanzata
Descrizione e principi di funzionamento di un robot
Cinematica diretta
Calibrazione cinematica
Cinematica differenziale e Jacobiano
Ridondanza e singolarità
Algoritmi per l’inversione cinematica
Dualità cineto-statica
Pianificazione di traiettorie nello spazio dei giunti e nello spazio operativo
Attuatori e sensori
Unità di governo
Modello Lagrangiano
Proprietà notevoli del modello dinamico
Algoritmo ricorsivo di Newton-Eulero
Identificazione dei parametri dinamici
Dinamica diretta e dinamica inversa
Controllo decentralizzato
Controllo indipendente ai giunti
Controllo centralizzato
Controllo a coppia precalcolata
Controllo PD con compensazione di gravità
Controllo a dinamica inversa
Controllo robusto e adattativo
Controllo nello spazio operativo

Al colloquio orale si viene ammessi dopo lo svolgimento di un elaborato progettuale in Matlab/Simulink® riguardante la simulazione di algoritmi di inversione cinematica e sistemi di controllo per robot manipolatori. L’esame consiste in una discussione critica dell’elaborato e nell’accertamento dell’acquisizione dei concetti e dei contenuti introdotti durante le lezioni.
Al colloquio orale si viene ammessi dopo lo svolgimento di un elaborato progettuale in Matlab/Simulink® riguardante la simulazione di algoritmi di inversione cinematica e sistemi di controllo per robot manipolatori. L’esame consiste in una discussione critica dell’elaborato e nell’accertamento dell’acquisizione dei concetti e dei contenuti introdotti durante le lezioni.

B. Siciliano, L. Villani, G. Oriolo, A. De Luca, Foundations of Robotics, London, UK, 2025, ISBN 978-3-031-85522-1
B. Siciliano, Robotics Foundations I, MOOC disponibile in inglese sulla piattaforma www.federica.eu
B. Siciliano, Robotics Foundations II, MOOC disponibile in inglese sulla piattaforma www.federica.eu
Materiale disponibile alla pagina https://prisma.dieti.unina.it/index.php/education/education-courses/34-robots-foundations

Obiettivo del corso è ampliare le conoscenze modellistiche ed algoritmiche necessarie per analizzare sistemi complessi e ottimizzare il loro funzionamento al fine di risolvere problemi reali di carattere industriale (ad esempio pianificazione della produzione, allocazione delle risorse e schedulazione delle attività). Lo studio teorico sarà inoltre completato dall’introduzione all’utilizzo di ambienti software di ottimizzazione. Al termine del corso lo studente avrà acquisito gli strumenti necessari a formulare e risolvere in modo esatto o approssimato un problema decisionale, emergente in un contesto industriale automatizzato, mediante un modello di programmazione matematica e algoritmi di ottimizzazione.
Conoscenza e capacita' di comprensione: Il percorso formativo ha l’obiettivo di fornire agli studenti le metodologie di ottimizzazione continua, intera e mista-intera necessarie per la modellazione e risoluzione esatta di problemi ingegneristici in ambito industriale, con particolare riferimento a problemi di pianificazione della produzione, allocazione risorse e schedulazione delle attività/task. Lo studente deve dimostrare di aver acquisito gli strumenti necessari a formulare un problema decisionale mediante un modello di programmazione matematica con variabile intere e continue, e deve essere in grado di individuare e/o sviluppare autonomamente il miglior metodo di soluzioni esatto o approssimato, in relazione alle caratteristiche e alla complessità del problema.
Capacita' di applicare conoscenza e comprensione: Il percorso formativo è orientato a trasmettere gli strumenti metodologici e operativi necessari ad applicare concretamente le conoscenze di ottimizzazione continua, intera e combinatoria, a problemi di ottimizzazione emergenti in un contesto industriale automatizzato. In particolare, lo studente deve dimostrare di saper sviluppare tutte le fasi di un processo decisionale: analisi del sistema (definizione delle sue componenti, dei parametri che lo caratterizzano, assunzioni e specifiche di funzionamento); definizione del problema decisionale; selezione/costruzione di un modello matematico di simulazione del sistema; implementazione e risoluzione del modello tramite un algoritmo e/o un software di ottimizzazione; analisi ed interpretazione dei risultati al fine di valutare i range di variazione della soluzione ottenuta e implementare meccanismi di feeback per il miglioramento della sua qualità.

• Introduzione all’ottimizzazione: Processi decisionali, Problem Solving, Programmazione matematica.
• Problemi di ottimizzazione continua. Ottimizzazione non lineare mono e multidimensionale (non vincolata e vincolata).
• Ottimizzazione lineare continua. Formulazione di problemi di programmazione lineare (P.L.); algoritmo del Simplesso; struttura algebrica della PL; teoria della dualità; analisi post-ottimale; cenni di ottimizzazione multi-criteria, metodi multi-attributo e multi-obiettivo (con e senza priorità).
• Ottimizzazione lineare intera. Formulazione di problemi di programmazione lineare intera (P.L.I.) e binaria; metodi di ottimizzazione intera (branch-and-bound, piani di taglio, metodi a generazione di righe e di colonne); problemi noti di P.L.I. (cutting stock, zaino, assegnamento); modellazione di problemi industriali (e.g. allocazione ottima, schedulazione delle operazioni, pianificazione della produzione).
• Teoria dei grafi e Ottimizzazione su rete. Elementi di teoria dei grafi; struttura dati di un grafo e algoritmi di visita; modellazione di problemi di ottimizzazione su rete e algoritmi risolutivi; problemi di percorso, flusso e progetto; modellazione di problemi industriali su rete (e.g. smart grid, controllo e equilibrio dei flussi).
• Calcolo bounds e sviluppo di algoritmi esatti, euristici e di ricerca locale.
• Laboratorio: sviluppo di modelli e metodi di ottimizzazione per MILP e MINLP e risoluzione tramite software di ottimizzazione (e.g. Gurobi).

La prova scritta, o lo sviluppo di un elaborato progettuale, sono volti a verificare l’acquisizione da parte dello studente della capacità di utilizzare in modo autonomo i concetti e le tecniche illustrate durante il corso attraverso la risoluzione di diversi problemi di ottimizzazione vincolata lineare e non lineare, continua ed intera (MILP e MINLP). Tipicamente lo studente ha a disposizione 3 ore per la prova scritta/elaborato progettuale. Il colloquio orale segue la prova scritta/elaborato progettuale ed ha un duplice finalità: far argomentare allo studente le soluzioni proposte ai problemi risolti nella prova scritta/elaborato progettuale; accertare l’acquisizione dei concetti e delle metodologie illustrati durante le lezioni.
L’esito della prova scritta/progetto laboratoriale è vincolante ai fine dell’accesso alla prova orale. La prova scritta/elaborato progettuale e quella orale contribuiscono ognuna per il 50% della valutazione finale. Il superamento della prova scritta/elaborato progettuale non è sufficiente per il superamento dell’esame.

• M. Caramia, S. Giordani, F. Guerriero, R. Musmanno, D. Pacciarelli, "Ricerca Operativa", Isedi, Italia, 2014.
• A. Sforza, Modelli e Metodi della Ricerca Operativa, 3a ed., ESI, Napoli, 2018.
• Materiale didattico integrativo fornito durante il corso.

Il corso fornisce le conoscenze di base sui sistemi in tempo reale, sulla schedulazione di task real-time, sulla gestione delle risorse, sulle reti di calcolatori e sui sistemi operativi adottati in ambito industriale. Fornisce inoltre le competenze necessarie alla progettazione, il dimensionamento e lo sviluppo di sistemi in tempo reale. Le esercitazioni consistono in applicazioni di programmazione concorrente con task real-time sviluppate in diversi ambienti (real-time POSIX su Linux, FreeRTOS).
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare: di conoscere le problematiche dell’elaborazione in tempo reale, di saper illustrare i fondamenti teorici relativi agli algoritmi per lo scheduling di task periodici e aperiodici e per la gestione delle risorse condivise con vincoli temporali, e relativi test di fattibilità, di saper riconoscere le principali soluzioni per la comunicazione in rete con vincoli temporali, di comprendere i principi di programmazione concorrente applicati ai sistemi real-time.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper astrarre problemi di progettazione di sistemi in tempo reale e di ricondurli ad opportuni modelli teorici atti alla verifica della fattibilità, di saper risolvere problemi di dimensionamento di sistemi real-time attraverso le metodologie e gli algoritmi appresi, di saper progettare sistemi complessi attraverso strumenti di astrazione e modellazione di alto livello, di saper implementare sistemi software real-time utilizzando primitive per la gestione dei task periodici e aperiodici e per l’inter-process communication in tempo reale.

Concetti Introduttivi. Introduzione ai sistemi in tempo reale: campi applicativi. dimensionamento, deadline, sistemi hard e soft real-time, caratteristiche desiderabili; problematiche di progetto e sviluppo.
Prevedibilità dei sistemi di calcolo. Fonti di non determinismo hardware e del Sistema Operativo. Introduzione allo Scheduling. Processo e programma. Schedulazione, fattibilità, schedulabilità, ottimalità, preemption.
Scheduling di task real time. Algoritmo di Jackson, algoritmo di Horn, algoritmo di Bratley. Scheduling con vincoli di precedenza. Timeline Scheduling, Rate Monotonic (RM). Earliest Deadline First (EDF), Deadline Monotonic. Ottimalità e test di garanzia. Response Time Analysis. Processor Demand Criterion per EDF.
Accesso a risorse condivise. Il problema della priority inversion. Non-preemptive protocol. Highest locker priority. Priority Inheritance e Priority Ceiling. Analisi di schedulabilità, calcolo dei tempi di bloccaggio. Stack Resource Policy.
Server aperiodici. Schedulazione in background. Polling Server (PS). Deferrable Server (DS), Sporadic Server (SS), Slack Stealer. Dynamic Sporadic Server (DSS), Total Bandwidth Server (TBS), Costant Bandwidth Server (CBS).
Gestione dei sovraccarichi. Carico, valore cumulativo, fattore competitivo. Admission control; robust scheduling, resource reservation con CBS. Algoritmo RED. Job skipping, period adaptation e service adaptation.
Comunicazione Real-time. I protocolli CSMA/CD e Token Ring. Modelli di traffico real-time. Fonti di non determinismo nelle reti. Controller Area Network (CAN), ProfiNET ed Ethernet Power Link. RTNet. Weighted Fair Queuing, RSVP e RTP (cenni).
Analisi del Worst Case Execution Time. Metodi statici e metodi measurement-based. Bound caluculation: path-based, structure-based e implicit path enumeration (IPET). Esempi di tool statici e measurement-based.
Real Time Operating Systems (RTOS): Primitive per la programmazione di applicazioni concorrenti in ambiente real-time. Lo standard RT-POSIX. Colloquio con le periferiche, RTOS commerciali ed Open Source, introduzione a FreeRTOS e Linux real-time (co-kernel e patch PREEMPT-RT). Sviluppo di applicazioni concorrenti real-time in tali ambienti.
Standard e Certificazioni. La standardizzazione, standard per RTOS: RT-POSIX, OSEK, AUTOSAR, ARINC, MICRO-ITRON. Standard di certificazione: DO-178B, IEC61508.

La prova scritta è suddivisa in due parti: 1) risoluzione di esercizi numerici e 2) un esercizio di programmazione concorrente real-time. La parte 2) può essere sostituita dallo svolgimento di due prove di programmazione in itinere, durante lo svolgimento del corso. Il codice consegnato durante il corso sarà oggetto di discussione all’orale.
L’esito della prova scritta è vincolante ai fini dell’accesso alla prova orale. Il voto finale è stabilito come media degli esiti delle prove scritte e dell’orale.

Libro di testo:

• G. Buttazzo “Sistemi in tempo reale”, Pitagora editrice
  Trasparenze delle lezioni, dispense didattiche ed articoli scientifici di approfondimento disponibili sul sito docente

Il corso si propone di fornire le basi per la progettazione, l'implementazione e il controllo di robot soft e collaborativi che interagiscono fisicamente con gli esseri umani, tra cui microrobot, robot riconfigurabili e sistemi indossabili. Verranno forniti metodi teorici per la modellazione e il controllo di sistemi che includono parti morbide integrate nella struttura o strutture completamente morbide, robot riconfigurabili e adattabili all'ambiente, nonché robot indossabili come protesi ed esoscheletri. Attraverso applicazioni pratiche e casi di studio basati su simulazioni, verranno fornite le conoscenze di base sui software più comuni utilizzati per la progettazione, la programmazione e la simulazione.
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare di conoscere i sistemi robotici collaborativi, in particolare la loro struttura meccanica e le relative caratteristiche, i tipici sistemi di controllo e i software utilizzati per la programmazione. Lo studente deve dimostrare di aver acquisito le tecniche di modellazione e di controllo di sistemi robotici caratterizzati da strutture soft che interagiscono in stretto contatto fisico con l’essere umano, inclusi i sistemi mininvasivi per la chirurgia e i sistemi indossabili per la riabilitazione.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper progettare un sistema di controllo, scelto tra quelli classici già studiati. Lo studente deve essere in grado di implementare tale sistema di controllo utilizzando strumenti di simulazione forniti durante il corso. Inoltre, lo studente deve dimostrare di possedere conoscenze di base degli strumenti open source tipici della prototipazione rapida, dell'elettronica e della stampa 3D.

1. Introduzione alla robotica soft e collaborativa: ambiti di utilizzo e stato dell’arte; 2. Soluzioni hardware per un sistema collaborativo: soft covers e attuatori a impedenza variabile; 3. Robot soft: modellazione e controllo; 4. Robot continui e snake like; 5. Simulatore SOFA; 6. Robot bioispirati; 7. Microrobot e attuazione magnetica. 8. Teleoperazione: introduzione e definizione dei diversi schemi esistenti (unilaterale e bilaterale), metodi di rappresentazione e controllo di un sistema teleoperato, passività e stabilità, teoria del tank; 9. Interfacce aptiche: definizione e schemi di controllo; 10. Controllo dei soft robot con approcci basati su modelli e basati sull'apprendimento.

 L’elaborato è obbligatorio per accedere all’orale, esso contribuisce al 25% della valutazione finale.
L’elaborato in simulazione deve essere consegnato al docente una settimana prima della prova orale e poi discusso all’orale mediante una presentazione dei risultati ottenuti. L’elaborato ha l’obiettivo di verificare la capacità dello studente di progettare semplici algoritmi di controllo per applicazioni di robotica collaborativa in ambito medico (chirurgico o riabilitativo), utilizzando uno dei simulatori, basati su ROS, SOFA, Gazebo e CoppeliaSim, i quali sono stati introdotti e utilizzati durante le esercitazioni del corso. Il colloquio orale segue la discussione dell’elaborato ed è rivolto ad una discussione critica della/e soluzione/i data/e dallo studente ai problemi proposti nell’elaborato in simulazione, ed all’accertamento dell’acquisizione dei concetti e dei contenuti introdotti durante le lezioni.

Soft Robotics by Cecilia Laschi, The MIT Press, 2025, ISBN: 9780262383516.
B. Siciliano, O. Khatib (Eds.), Springer Handbook of Robotics, 2nd Edition, Springer, Berlin, 2016, ISBN 978-3-319-32552-1.
J. Rosen, B. Hannaford, R.M. Satava (Eds.), Surgical Robotics: Systems, Applications, and Visions, Springer, 2011 ISBN 9781441911261.
A. Schweikard, F. Ernst, Medical Robotics, Springer, 2015, ISBN 9783319228914.
Notes from the lectures, available to students enrolled in the course through Segrepass.

L’insegnamento ha l’obiettivo di fornire una conoscenza organica dei sistemi biometrici, considerati nella loro duplice applicazione: il riconoscimento automatico dell’identità per la sicurezza fisica e logica e l’analisi computazionale di segnali e immagini biomedicali per il supporto alla diagnosi.
Il corso presenta i principi di acquisizione, rappresentazione, elaborazione e confronto dei dati biometrici e biomedicali, richiamando i fondamenti di elaborazione dei segnali, pattern recognition e apprendimento automatico necessari alla comprensione delle diverse applicazioni.
Particolare attenzione è dedicata all’evoluzione delle metodologie, mettendo a confronto tecniche storiche e consolidate con approcci recenti basati su intelligenza artificiale, machine learning e deep learning. Tale confronto è sviluppato nell’ambito del riconoscimento del volto e dell’iride, dei sistemi multimodali e multibiometrici, dell’analisi e protezione dei template, dell’elaborazione dei segnali fisiologici, del medical imaging e dell’istopatologia digitale.
L’insegnamento mira inoltre a sviluppare la capacità di valutare criticamente un sistema biometrico o biomedicale rispetto ad accuratezza, robustezza, efficienza, interpretabilità, sicurezza, qualità dei dati e adeguatezza allo specifico contesto applicativo.
Al termine del corso, lo studente sarà in grado di comprendere e analizzare l’architettura di sistemi biometrici e biomedicali moderni, confrontare metodologie tradizionali e soluzioni basate su AI e deep learning e individuare le scelte progettuali più appropriate per uno specifico problema.
Conoscenza e capacita' di comprensione: Al termine dell’insegnamento, lo studente dovrà conoscere e comprendere:

• i principi di acquisizione, digitalizzazione e rappresentazione dei segnali biometrici e biomedicali;
• l’architettura generale di un sistema biometrico, dalla fase di acquisizione alla decisione;
• la distinzione tra verifica, identificazione, scenari open-set e closed-set;
• le proprietà, i vantaggi e i limiti delle principali modalità biometriche;
• le principali metodologie storiche e consolidate per il riconoscimento del volto e dell’iride;
• i principi alla base dei moderni metodi di riconoscimento fondati su machine learning, deep feature e reti neurali profonde;
• il ruolo delle tecniche di AI nelle fasi di acquisizione, controllo della qualità, segmentazione, rappresentazione, matching e decisione;
• i principi dei sistemi multimodali e multibiometrici e delle strategie di fusione;
• i protocolli e le metriche per la valutazione delle prestazioni;
• i concetti di qualità, stabilità, rappresentatività e capacità discriminativa dei template;
• le problematiche di robustezza, fairness, interpretabilità, sicurezza e protezione dei dati biometrici;
• i principi di elaborazione automatica di segnali fisiologici, immagini radiologiche, volumi medicali e immagini istopatologiche;
• il ruolo delle tecniche di intelligenza artificiale e deep learning nei sistemi di supporto alla diagnosi.
  Capacita' di applicare conoscenza e comprensione: Al termine dell’insegnamento, lo studente dovrà essere in grado di:
• analizzare le componenti di una pipeline biometrica o biomedicale;
• individuare le criticità relative ad acquisizione, qualità dei dati, rappresentazione, matching e decisione;
• confrontare approcci tradizionali e metodi basati su AI e deep learning;
• selezionare, a livello progettuale, la famiglia di metodologie più adeguata allo specifico problema;
• distinguere tra sistemi di verifica, identificazione, riconoscimento open-set e closed-set;
• interpretare distribuzioni di score, soglie decisionali e principali metriche biometriche;
• valutare l’effetto della qualità del campione e del template sulle prestazioni;
• analizzare i compromessi tra accuratezza, robustezza, efficienza, interpretabilità e sicurezza;
• riconoscere le vulnerabilità di un sistema biometrico e individuare opportune strategie di protezione dei template;
• analizzare criticamente l’impiego di reti neurali e modelli deep per il riconoscimento biometrico, la segmentazione e classificazione di immagini mediche e il supporto alla diagnosi;
• valutare limiti, rischi e condizioni di applicabilità delle soluzioni di intelligenza artificiale in ambito biometrico e clinico.

Fondamenti di segnali e sistemi biometrici: sensori, acquisizione e digitalizzazione; segnali 1D, immagini 2D e dati 3D; richiami di elaborazione dei segnali, spazio delle caratteristiche, similarità e classificazione.
Architettura dei sistemi biometrici: enrollment, template, probe e gallery; verifica 1:1 e identificazione 1:N; scenari open-set e closed-set; applicazioni per la sicurezza fisica e logica.
Evoluzione delle metodologie biometriche: approcci handcrafted, statistici e basati su machine learning; deep feature, reti neurali profonde, embedding e metric learning.
Valutazione delle prestazioni: distribuzioni genuine e impostor, soglie decisionali, FMR, FNMR, EER, curve ROC, DET e CMC; accuratezza, robustezza, efficienza e interpretabilità.
Biometria del volto: variabilità dovuta a posa, illuminazione, espressione, occlusioni e invecchiamento; metodi classici, PCA ed Eigenfaces; reti neurali profonde, face embedding, quality-aware recognition, liveness detection e fairness.
Biometria dell’iride: acquisizione, localizzazione, segmentazione, normalizzazione, IrisCode e matching; approcci recenti basati su AI e deep learning.
Sistemi multimodali e multibiometrici: limiti dei sistemi monomodali; fusione a livello di sensore, caratteristica, score e decisione; strategie di fusione adattive e apprese.
Template analysis: qualità, stabilità e rappresentatività dei template; affidabilità degli score, template selection e update, soglie specifiche per soggetto e rischio nei sistemi 1:N.
Sicurezza e protezione dei dati biometrici: vulnerabilità, presentation attack, protezione dei template, biometrie cancellabili, crittografia, blockchain e sicurezza dei modelli di AI.
Segnali biomedicali: ECG e PCG; acquisizione, filtraggio, rilevamento di eventi e analisi automatica mediante machine learning e deep learning.
Medical imaging: radiografia, mammografia, ecografia, TC, RM e PET; segmentazione, classificazione e localizzazione mediante metodi tradizionali e architetture deep 2D e 3D.
Istopatologia digitale: Whole Slide Imaging, DICOM-WSI, analisi a patch, segmentazione e classificazione di tessuti e cellule mediante CNN, multiple instance learning e modelli attention-based.

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione.

Testi di riferimento:

• Yingzi Du, Biometrics: From Fiction to Practice , CRC Press, 2013.
• Kayvan Najarian, Robert Splinter, Biomedical Signal and Image Processing , CRC Press.
  Il materiale didattico comprende inoltre slide delle lezioni, articoli scientifici, esempi applicativi e ulteriori risorse rese disponibili dal docente.

L’insegnamento si pone l’obiettivo di fornire agli studenti le nozioni avanzate e di alto livello relative alla implementazione degli algoritmi di elaborazione digitale dei segnali e, inoltre, di acquisire le conoscenze, sia di base sia avanzate, relative alle architetture dei circuiti DSP disponibili commercialmente, delle problematiche, sia teoriche che pratiche, relative alla implementazione ottimale, in tempo reale, su DSP, dei principali algoritmi di elaborazione digitale dei segnali e dell’ambiente di sviluppo per la loro programmazione.
Conoscenza e capacita' di comprensione: Al termine del processo di apprendimento lo studente è edotto sulle principali tecniche di elaborazione dei dati in virgola fissa e mobile, sugli strumenti di analisi degli errori di rappresentazione e delle problematiche di overflow in un sistema lineare realizzato in aritmetica a virgola fissa, sulle principali tecniche di prevenzione/gestione dell’overflow, sulle problematiche teoriche relative alla descrizione in linguaggio C di algoritmi di elaborazione digitale dei segnali, sulle caratteristiche architetturali di minima che identificano un circuito DSP (Digital Signal Processor), sulle problematiche relative alla pipeline nei DSP, sia nel caso di pipeline protetta che nel caso di pipeline non‑protetta, sulle caratteristiche dei DSP ad elevato parallelismo di elaborazione -in particolar modo basati su architettura di tipo Very Long Instruction Word (VLIW)-, alle forme di parallelismo al livello dell’instruction set del DSP -istruzioni Single‑Instruction‑Multiple-Data-, sulle tecniche di ottimizzazione del codice per le architettura VLIW -in particolar modo utilizzando tecniche di Loop Unrolling e Software Pipelining-, sulle caratteristiche di base e avanzate dei sistemi di interruzione e DMA (Direct‑Memory‑Access) nei DSP, sulle caratteristiche delle interfacce di comunicazione del DSP -in particolar modo quelle di tipo seriale sincrono-, sulle problematiche relative al realizzazione su un DSP di sistemi di elaborazione in tempo reale -in particolar modo utilizzando l’elaborazione in streaming oppure a blocchi-.
Capacita' di applicare conoscenza e comprensione: Al termine del processo di apprendimento lo studente è in grado di progettare, autonomamente, l’implementazione in aritmetica a virgola fissa e mobile, di un algoritmo di elaborazione dei segnali tenendo conto sia degli errori di rappresentazione che delle problematiche connesse all’overflow e di determinare l’approccio di prevenzione/gestione dell’overflow che meglio si adatta alla specifica applicazione. Lo studente acquisisce inoltre la capacità di descrivere in linguaggio C un algoritmo di elaborazione digitale dei segnali con particolare riferimento alle problematiche relative alla efficiente implementazione su DSP sia a virgola fissa che a virgola mobile. Lo studente padroneggia inoltre le tecniche di ottimizzazione del codice, con particolare riferimento alle architetture VLIW ed è in grado di gestire nel modo migliore possibile, in relazione alla specifica applicazione, il trade‑off tra tempo di calcolo e dimensione del codice applicando le tecniche di Loop Unrolling e Software Pipelining. In fine, lo studente padroneggia gli approcci per l’elaborazione in tempo reale di un algoritmo di elaborazione digitale su un DSP, e, in relazione alle caratteristiche della specifica applicazione, può risolvere nel modo migliore possibile il trade‑off tra massima frequenza di elaborazione e latenza adottando approcci di elaborazione in streaming oppure a blocchi. Lo studente inoltre padroneggia le problematiche inerenti l’impiego delle unità DMA sia a supporto dell’elaborazione, sia a servizio delle interfacce del DSP nella elaborazione a blocchi.

Introduzione : Circuiti per l’Elaborazione Digitale: ASIC, FPGA, DSP. Elaborazioni Real-Time.
Problematiche numeriche nella rappresentazione dei segnali : Richiami sulle rappresentazione Fixed-Point e Floating-Point; Precisione ed Errori di Quantizzazione; Errori di Quantizzazione al livello di Sistema; Overflow e tecniche di prevenzione: Variazione della Rappresentazione, Scaling, Scaling per segnali a banda stratta, Scaling Statistico, Aritmetica Saturata, Bit di Guardia; Applicazione delle tecniche di prevenzione dell’Overflow ad un Filtro FIR. Descrizione degli algoritmi di DSP in linguaggio C: rappresentazione Fixed-Point Generalizzata, Regole di Promozione del Tipo, Esempio (filtro FIR con tecnica dei bit di Gaurdia).
Architetture di base dei circuiti DSP : Datapath; Architettura Harvard ed Harvard modificata; Memoria nei DSP: Banchi Separati, Banchi in Interveaving, Memorie Dual-ported, Allineamento dei Dati ed Accessi Multipli, Gerarchie delle memorie, Caching coerenza e predicibilità; Repeat Buffer; Indirizzamenti per DSP ed Unità di generazione degli indirizzi: indirizzamento Circolare e Bit-Reversal; Tecniche di Zero-Overhead-Looping; Semplici periferiche nei DSP: Timers/PWM generators; Esempi di DSP della Texas Instruments: architetture C2xx, C54xx e C55xx.
Architetture avanzate dei DSP : Trade-off tra Ortoganalità e Dimensione del Codice; Pipelining nei DSP: Pipeline non-Protetta o Visibile, Pipeline Protetta o Trasparente, Hazards Strutturali, Hazard sui Dati e Dipendenze, Hazard di Controllo, Delayed-Branch; Scheduling Statico e Dinamico delle Istruzioni; Architetture Superscalari (cenni); Architetture Very-Long-Instruction-Word (VLIW); Pipeline non-Protetta ed Interruzioni (trade-off tra interrombibilità del codice e tempo di calcolo); Istruzioni ed Aritmetica Single-Instruction-Multiple-Data (SIMD); DSP VLIW della Texas Instruments: architetture C64xx, C67xx, C66xx. Cenni ai principali DSP di Analog Devices (Blackfin, SigmaDSP, SHARC e TigerSHARC) e Freescale (Symphony, StarCore SC3400 e SC3850). DSP con Multi-threading Hardware: architettura Hexagon di Qualcomm. SoC basati su DSP di Texas Instruments: DaVinci Digital Media Processor, OMAP, Keystone e Keystone II.
Architettura dei DSP Texas Instruments C64xx e C67xx : Architettura VelociTI; Set Istruzioni; Architettura delle Memoria e Caching su due livelli; Esecuzione Condizionale; Indirizzamenti con offset; Indirizzamenti Circolari e Registro AMR; Pipeline del DSP: Delay-Slots e Latenza delle istruzioni; Istruzioni SIMD.
Sviluppo del Codice ed Ottimizzazione per DSP VLIW : Sviluppo in Assembly: Grafi delle Dipendenze, Parallelizzazione delle Istruzioni, Eliminazione dei NOP, Loop Unrolling; Software Pipelining: Minimum-safe-trip-count, Resource-Bound, Loop-Carried-Dependency-Bound, Esecuzione Speculativa, Problemi di Live-too-Long, Utilizzo congiunto di Loop Unrolling e Software Pipelining; Sviluppo del codice in Linear-Assembly; Sviluppo del Codice in C: direttive per il Software Pipelining e l’Unrolling, Aliasing dei Puntatori, Direttive per l’Allocazione in Memoria, Livelli di Ottimizzazione, Funzioni Static, Interrompibilità del Codice, Software Pipelined Loop Buffer (SPLOOP); Linker, Variabili Globali e Static, Allocazione delle variabili Near e Far, Start-up del DSP. Interrupt e DMA nei DSP Texas Instruments C6x: Interrupt: funzionalità di base, registri per la gestione degli interrupt, funzionamento dettagliato in Hardware, scrittura della Interrupt-Service-Routine (ISR), tempi caratteristici; DMA: funzionalità di base, parametri e tipologie di trasferimento, sincronizzazione, Quick-DMA, generazione di interrupt di completamento, esempi.
Implementazione Real-Time degli Algoritmi di DSP : Interfacce Seriali Sincrone ed interfaccia McBSP dei DSP Texas C6x; Gestione delle comunicazione in Polling, Interrupt, DMA; Elaborazioni in Streaming di tipo Interrompibile e non‑Interrompibile, Controllo di Flusso nelle elaborazioni in Ricezione/Trasmissione; Sistemi Operativi Real-Time e Elaborazioni con Prelazione; Elaborazioni a Blocchi: Ping-Pong Buffering; Tecniche di Buffering per gli Algoritmi con Memoria; Debugging off-line e real-time nei DSP, Tecniche di In-System Debugging tramite interfaccia JTAG.
Esercitazioni : Le esercitazioni sfruttano l’ambiente di sviluppo Code Composer Studio di Texas Instruments e le schede per la prototipizzazione rapida su DSP DSK-C6713. Implementazioni di Filtri FIR: Calcolo dei Coefficienti, Progetto Numerico e Problematiche di Overflow, Ottimizzazione del Codice con esempi di Unrolling, Software Pipelining, Buffering dei dati; Prove sperimentali con I/O in Real-time dal Codec audio presente sulla board DSK-C6713: filtro FIR, equalizzatore audio a 5 bande, equalizzatore audio a 5 bande mediante Sistema Operativo real-time, equalizzatore audio a 9 bande mediante Sistema Operativo real-time.

La valutazione è volta a determinare il grado di acquisizione da parte dello studente degli obiettivi formativi dell’insegnamento con particolare riferimento ai risultati di apprendimento attesi.
discussione esercitazioni

Appunti delle lezioni
Testi delle esercitazioni
John G. Proakis, Dimitris G. Manolakis, “Digital Signal Processing: Principles, Algorithms and Applications”, 4° edition, Prentice Hall 2007
Sen M. Kuo, Woon-Seng Gan, “Digital Signal Processors: Architectures, Implementations, and Applications”, Prentice Hall 2005

L'insegnamento si propone di fornire agli studenti una conoscenza specialistica in Computer Vision, introducendo i concetti fondamentali e le tecniche avanzate utilizzate nell'analisi e nell'interpretazione di immagini digitali. Gli obiettivi includono:

• Approfondire la comprensione dei principi teorici alla base dell'elaborazione delle immagini.
• Acquisire competenze pratiche nell'implementazione di algoritmi di visione artificiale.
• Analizzare e risolvere problemi reali tramite l'applicazione delle tecniche apprese.
• Sviluppare la capacità di valutare criticamente le soluzioni proposte e di proporre miglioramenti o alternative.
• Promuovere la capacità di lavorare in gruppo e comunicare efficacemente i risultati ottenuti.
  Conoscenza e capacita' di comprensione: Al termine del corso, gli studenti dovrebbero essere in grado di:
• Comprendere i fondamenti teorici della visione artificiale, inclusi concetti come filtraggio spaziale e frequenziale, edge detection, e segmentazione.
• Dimostrare conoscenza delle principali tecniche di feature extraction e matching.
• Capire i concetti relativi alla geometria delle immagini, alle trasformazioni geometriche e alla calibrazione della fotocamera.
  Capacita' di applicare conoscenza e comprensione: Gli studenti saranno in grado di:
• Applicare algoritmi di visione artificiale per risolvere problemi di riconoscimento di pattern, tracking di oggetti, e stima della profondità.
• Implementare algoritmi di elaborazione delle immagini utilizzando librerie come OpenCV.
• Analizzare e interpretare risultati ottenuti dall'applicazione di algoritmi di visione artificiale.

• Fondamenti di elaborazione delle immagini
• Filtraggio e trasformazioni spaziali e frequenziali
• Riconoscimento di pattern
• Estrazione di feature e matching
• Geometria delle immagini e calibrazione della fotocamera
• Segmentation e region growing
• Tracking di oggetti
• Stima della profondità

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione.

• Szeliski, R. (2010). Computer Vision: Algorithms and Applications. Springer.
• Forsyth, D. A., & Ponce, J. (2012). Computer Vision: A Modern Approach. Prentice Hall.
• Materiale didattico distribuito durante il corso.

Obiettivo principale del corso è fornire allo studente l’opportunità di fare esperienza di risoluzione di problemi pratici di modellazione, identificazione e controllo utilizzando le nozioni teoriche acquisite in corsi precedenti, per un insieme di applicazioni basate su sistemi elettromeccanici. L’apprendimento avverrà attraverso l’inserimento in gruppi di lavoro per la progettazione ed implementazione su PC e/o su schede a microcontrollore di leggi di controllo model-based per ognuno dei set-up sperimentali presenti nel laboratorio, sia fisico che virtuale.
Conoscenza e capacita' di comprensione: Il percorso formativo intende fornire agli studenti gli strumenti metodologici per la progettazione di un sistema di controllo reale utilizzando la metodologia Model Based System Design. Lo studente imparerà ad applicare i concetti di Model in the Loop (MIL), Software in the Loop (SIL), Process in the Loop (PIL) ed Hardware in the Loop (HIL), seguendo il tipico schema di sviluppo a “V” di un sistema di controllo, portando in conto anche la scrittura e la verifica dei requisiti. In ognuno di questi step, lo studente deve dimostrare di avere compreso come applicare le nozioni teoriche di modellistica, identificazione, simulazione e controllo apprese in corsi precedenti a problemi pratici e molto vicini a concreti sistemi di controllo industriali.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di sapere applicare la metodologia Model Based System Design ad un progetto di un sistema di controllo assegnato. In particolare, a partire dallo sviluppo di modelli in ambiente Matlab/Simulink per i sistemi disponibili in laboratorio, lo studente si occuperà del progetto del controllore in funzione di opportuni requisiti. Successivamente, lo studente deve dimostrare di sapere codificare tale legge di controllo e testarla mediante implementazione su schede a microcontrollore. Il progetto sarà concluso quando lo studente riuscirà a dimostrare l’effettivo funzionamento della logica di controllo sviluppata sul sistema reale, mediante dei test di validazione.

• Model Based System Design
• Diagramma a “V”
• Model in the Loop
• Software in the Loop
• Process in the Loop
• Hardware in the Loop
• Testing e verifica dei requisiti
• Laboratorio Virtuale Interattivo Quanser
• Servo Motor Control
• Inverted Pendulum
• Aero System
• Laboratorio Remoto Interattivo Quanser
• Servo Motor Control
• Aero System
• Programmazione di Microcontrollori
• Self-balancing Motorcycle
• Rover
• Drawing Robot
• Temperature Control Lab (Lab on Chip)

La prova d’esame consiste nella discussione di un elaborato progettuale relativo ad un sistema di controllo assegnato dal docente e basato su uno dei sistemi disponibili in laboratorio, sia fisico che virtuale.
Nel corso della discussione lo studente dovrà anche mostrare i risultati ottenuti mediante prove di testing pratici sul sistema sviluppato.
Si valuterà la capacità di scrivere una relazione tecnica, di collaborazione all’interno di un team, di esposizione dei risultati ottenuti. Si valuterà, inoltre, anche l’aderenza del progetto presentato alle specifiche richieste mediante prove pratiche dimostrative.

Materiale messo a disposizione dal docente.

Il corso ha come primo obiettivo quello di fornire agli allievi le conoscenze metodologiche necessarie per l’analisi della risposta dinamica di un velivolo ad ala fissa, con o senza pilota a bordo, a una qualsiasi causa perturbatrice a partire da una condizione iniziale di equilibrio.
Esso fornisce gli elementi di base della meccanica del volo e successivamente affronta il problema della risposta dinamica del velivolo nello spazio di stato. La seconda parte del corso fornisce allo studente gli elementi per la progettazione di algoritmi di incremento artificiale della stabilità, di algoritmi di incremento della controllabilità e di autopiloti. I problemi di controllo sono affrontati con riferimento a esempi applicativi e mediante l’uso di tecniche di controllo sia classico che moderno.
Conoscenza e capacita' di comprensione: Il percorso formativo intende fornire agli studenti gli strumenti metodologici per comprendere le prestazioni e le caratteristiche dinamiche di un velivolo ad ala fissa, per leggere le specifiche di un sistema di controllo di volo e comprendere quali siano le tecniche più idonee per soddisfarle.
Capacita' di applicare conoscenza e comprensione: Al termine del corso, gli studenti saranno in grado di valutare le prestazioni di un velivolo ad ala fissa, progettare un algoritmo di controllo che ricade nella classe degli algoritmi di incremento artificiale della stabilità, degli algoritmi di incremento della controllabilità o degli autopiloti. I problemi di controllo sono affrontati con riferimento a esempi applicativi e mediante l’uso di tecniche di controllo sia classico che moderno. Lo studente sarà altresì in grado progettare uno stimatore ottimo dello stato del velivolo e di simulare la dinamica del velivolo sia a ciclo aperto che a ciclo chiuso.

• Introduzione ai principi di funzionamento dei moderni velivoli con particolare riferimento alla manovrabilità e al controllo
• Modello di atmosfera standard
• Volo rettilineo, uniforme, simmetrico, orizzontale
• Volo in discesa e volo librato
• Volo in salita
• Quota di tangenza teorica e pratica
• Fattore di carico e diagramma di manovra
• La virata e la richiamata
• Le manovre di decollo e di atterraggio
• Cenni alla stabilità statica longitudinale e latero-direzionale
• Equazioni generali del moto del velivolo
• Derivate di stabilità
• Modello linearizzato della dinamica e modi caratteristici longitudinali e latero-direzionali
• Qualità di volo e loro classificazione
• Specifiche richieste a un sistema di controllo di volo
• Sistemi di aumento della stabilità
• Sistemi di aumento della controllabilità
• Autopiloti progettati con tecniche di controllo classico
• Applicazione del controllo ottimo alla progettazione di algoritmi di controllo di volo
• Applicazioni dell’assegnamento dei poli e dell’autostruttura al controllo di volo
• Stima dello stato e filtraggio alla Kalman
• Controllo H-infinito applicato ai problemi di controllo di volo
• Simulazione della dinamica a ciclo chiuso di un velivolo ad ala fissa in ambiente Matlab-Simulink

La votazione dell’esame sarà il frutto di una media pesata delle valutazioni conseguite per la prova orale e la discussione dell’elaborato progettuale.

• Appunti e slides forniti dal docente. (Lezioni registrate su teams)
• Stevens, B.L., and F.L. Lewis, Aircraft Control and Simulation, Wiley.
• Roskam,J., Airplane Flight Dynamics, Roskam Aviation
• Pamadi, B.N., Performance, Stability, Dynamics and Control of Airplanes, AIAA Education Series

Il corso ha lo scopo di:

• fornire allo studente le competenze per l’analisi, la progettazione e il dimensionamento dei “sistemi di controllo su rete” (Networked Control Systems-NCSs) e dei “sistemi cyber-fisici” (Cyber-Physical Systems-CPSs) impiegati per il monitoraggio e il controllo dei processi distribuiti su rete;
• approfondire la progettazione di metodi e algoritmi distribuiti e resilienti, inclusi quelli basati sull’Intelligenza Artificiale, per la stima, il controllo e l’ottimizzazione dei moderni sistemi cyber-fisici presenti in ambito industriale (Smart Factory, Industria 5.0 e Automazione intelligente, sistemi di elaborazione distribuita, Internet of Things) e civile/sociale (Smart City, reti di trasporto ed energia, infrastrutture complesse, flotte di veicoli, velivoli e droni autonomi);
• illustrare le metodologie introdotte attraverso esempi di progettazione integrata software/hardware di rappresentativi sistemi cyber-fisici.
  Conoscenza e capacita' di comprensione: Il percorso formativo intende fornire agli studenti gli strumenti metodologici per l’analisi e la progettazione software/hardware dei moderni sistemi di controllo su rete e dei sistemi cyber-fisici. Lo studente deve dimostrare di avere appreso quali sono i requisiti peculiari delle componenti software e hardware dei sistemi di controllo su rete e dei sistemi cyber-fisici dedicati al monitoraggio e controllo dei principali processi industriali e civili. Lo studente dovrà inoltre dimostrare la conoscenza delle fasi principali della progettazione integrata software/hardware di un sistema cyber-fisico e della sintesi dei relativi algoritmi distribuiti di controllo, stima e ottimizzazione. Lo studente deve infine dimostrare di aver compreso il ruolo delle tecniche di validazione degli algoritmi e di valutazione delle performance di un sistema cyber-fisico mediante strumenti di simulazione.
  Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di sapere formalizzare le specifiche di funzionamento di un sistema di controllo su rete e di un sistema cyber-fisico individuando i requisiti prestazionali del sistema di controllo e della rete, anche in termini di autonomia energetica. A partire dalle specifiche formali di rappresentativi sistemi cyber-fisici, poi, lo studente deve dimostrare di sapere sviluppare semplici algoritmi distribuiti per il monitoraggio, il controllo e l’ottimizzazione su rete, e di essere in grado di dimensionare i principali componenti hardware per la loro implementazione. Infine, lo studente dovrà mostrare la capacità di progettare i test di validazione degli algoritmi e del sistema cyber-fisico nel suo complesso avvalendosi anche dell’utilizzo di semplici simulatori.

1.Introduzione ai sistemi di controllo in rete e ai sistemi cyber-fisici
1.1 Processi distribuiti complessi e su larga scala e sistemi di controllo distribuito
1.2 Sistemi di controllo remoto e anelli di controllo su reti di comunicazione
1.3 Architetture di controllo centralizzate, decentralizzate e distribuite
1.4 Controllo distribuito e algoritmi distribuiti
1.5 Requisiti dei sistemi cyber-fisici e del controllo distribuito: tempo reale, sicurezza, affidabilità e prestazioni
1.6 Esempi di applicazioni nell’automazione, nella robotica e nell’informatica: reti di sensori e robot, sistemi multi-agente autonomi, calcolo distribuito e sistemi in rete
2.Modello multilivello dei sistemi cyber-fisici in rete
2.1 Livello “applicativo”: specifica dell’anello di controllo, dinamiche e modelli del sistema, obiettivi, vincoli e controllo supervisivo/di missione
2.2 Livello “di rete”: vincoli di comunicazione per il controllo in retroazione, quali ritardi, perdite di pacchetti e banda disponibile
2.3 Livello “fisico”: sensori, attuatori, energia e vincoli di implementazione su sistemi embedded
2.4 Requisiti dei livelli applicativo, di rete e fisico per la progettazione orientata al controllo dei sistemi cyber-fisici
3.Progettazione del controllo distribuito e algoritmi distribuiti per sistemi cyber-fisici
3.1 Sistemi multi-agente e algoritmi di consenso: coordinamento in sistemi multi-agente e multi-robot
3.2 Progettazione di sistemi di controllo distribuito al livello di rete: controllo in rete con ritardi, perdite di pacchetti e vincoli di banda
3.3 Controllo distribuito e ottimizzazione distribuita per la gestione delle risorse nei sistemi cyber-fisici e negli swarm di robot: bilanciamento del carico, instradamento dei flussi e controllo della congestione, con riferimento a flussi di comunicazione e mobilità
3.4 Progettazione di sistemi di controllo al livello applicativo: controllo gerarchico e orientato ai compiti
3.5 Metodi cooperativi per stima, monitoraggio, controllo e ottimizzazione distribuiti su reti
3.6 Efficienza energetica ed energy harvesting nei sistemi cyber-fisici; progettazione di controlli e algoritmi distribuiti per la gestione dell’energia
3.7 Algoritmi basati su intelligenza artificiale: apprendimento distribuito, apprendimento federato e controllo distribuito basato su apprendimento, anche data-driven, su reti
3.8 Stabilità, convergenza e complessità computazionale del controllo distribuito e dei relativi algoritmi: garanzie di prestazione e scalabilità
4.Controllo distribuito robusto e resiliente per sistemi cyber-fisici
4.1 Effetti di ritardi di comunicazione, perdite di pacchetti, rumore di canale e di misura e incertezze parametriche sulle prestazioni in anello chiuso dei sistemi cyber-fisici
4.2 Controllo, stima e ottimizzazione distribuiti robusti, resilienti e tolleranti ai guasti, inclusi approcci resilienti ad attacchi
5.Controllo distribuito e algoritmi distribuiti per sistemi cyber-fisici costituiti da:
sciami di droni, UAV/velivoli, veicoli autonomi, reti di sensori wireless/sistemi embedded, reti di calcolatori e piattaforme di calcolo distribuito
6.Applicazioni illustrative e casi di studio integrati: esempi di co-progettazione
Casi di studio sulla co-progettazione integrata software/hardware di sistemi cyber-fisici rappresentativi per Smart Cities e Smart Factories, con riferimento a robotica, Industry 5.0 e Automation 5.0.

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione

[1] Appunti integrativi delle lezioni disponibili sul sito docenti
[2] S. Manfredi, “Multilayer Control of Networked Cyber-Physical Systems. Application to Monitoring, Autonomous and Robot Systems”. Advances in Industrial Control, Springer, 2017
[3] A. Bemporad, M. Heemels, M. Vejdemo-Johansson, “Networked Control Systems”, Lecture Notes in Control and Information Sciences, Springer, 2010

Obiettivo dell’insegnamento è di fornire la conoscenza degli algoritmi avanzati che risolvono problemi classici nell’ingegnerizzazione dei sistemi software e dei sistemi embedded distribuiti (sincronizzazione dei clock, consenso; stato globale; comunicazioni di gruppo; mutua esclusione; elezioni; transazioni; tolleranza ai guasti; consistenza dei dati), nonché quelli adoperati nei sistemi peer-to-peer, nei sistemi IoT e nei sistemi basati sulla tecnologia blockchain.
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare: di comprendere i problemi teorici (non tecnologici) alla base dei sistemi distribuiti in applicazioni affidabili, critiche, tolleranti ai guasti e/o scalabili; di conoscere i limiti teorici in funzione delle assunzioni temporali e sui fallimenti; di conoscere gli algoritmi per la loro risoluzione.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper astrarre le problematiche non tecnologiche della ingegnerizzazione di un sistema distribuito - sia esso di tipo software per applicazioni in rete, o di tipo embedded in applicazioni industriali - di saperle ricondurre a problemi teorici noti, e di saper individuare un adeguato approccio ingegneristico alla pratica risoluzione.

Caratterizzazione dei sistemi distribuiti. Definizioni. Modelli architetturali. Modello dei guasti. Requisiti di progetto: prestazioni, qualità del servizio, scalabilità, correttezza, sicurezza, tolleranza ai guasti. Classificazione: sistemi distribuiti sincroni, asincroni, parzialmente sincroni. (0,10 CFU)
Tempo e sincronizzazione nei sistemi distribuiti. Clock, skew, drift, tempo astronomico, Coordinated Universal Time (UTC). Sincronizzazione dei clock; algoritmo di Berkeley; algoritmo di Cristian. Network Time Protocol (NTP). Relazione happened-before. Orologi logici di Lamport. Orologi vettoriali. (0,5 CFU)
Stato globale di un sistema distribuito. Tagli consistenti e non consistenti. Algoritmo di snapshot di Chandy e Lamport. Raggiungibilità dello snapshot. Esempi di applicazione. (0,4 CFU)
Consenso nei sistemi distribuiti. Il problema del consenso, dei generali bizantini, della consistenza interattiva. Algoritmo di Dolev. Algoritmo Paxos. Failure detectors; classificazione. algoritmo Lazy FD. Consenso con failure detectors. (1,25 CFU)
Comunicazioni di gruppo. Multicast affidabili e/o ordinati. Algoritmi per la loro implementazione. (0,5 CFU)
Coordinazione distribuita. Mutua esclusione distribuita; algoritmi: del server centrale, ad anello, di Ricart e Agrawala, di Maekawa. Elezioni distribuite. Algoritmo: ad anello, del prepotente. Valutazione degli algoritmi. (0,5 CFU)
Azioni atomiche distribuite. Transazioni. Proprietà ACID. Problemi di consistenza dei dati, serializzabilità, effetto domino. Controllo di concorrenza: Two-phase lock. Two-version lock. Transazioni composte. Transazioni distribuite, two-phase commit, controllo di concorrenza nelle transazioni distribuite. Deadlock distribuito. La memoria stabile. (0,75 CFU)
Replicazione e tolleranza dei guasti nei sistemi distribuiti. Dependability. La catena fault-error -failure. Replicazione attiva e passiva. Strategie di aggiudicazione. L’approccio state machine replication. (0,25 CFU)
Consistenza dei dati nei sistemi distribuiti. Replicazione e consistenza. Consistenza stretta, linearizzabile, sequenziale, causale, eventuale, processor consistency, slow memory, modelli client centrici. Teorema CAP. (0,5 CFU)
Blockchain e IoT. Blockchain: algoritmi base. Smart contracts. Bitcoin, Ethereum, Hyperledger Fabric. Internet delle Cose (IoT). Aspetti di sicurezza in IoT. Applicazioni di blockchain all’IoT. (1 CFU)
Sistemi peer-to-peer. Motivazioni, requisiti, applicazioni, classificazione. Overlay networks, Overlay routing, Distributed Hash Table (DHT). Esempi: Napster, Gnutella, BitTorrent, Chord, Pastry. (0,25 CFU)

L’esame si articola in una prova solo orale, consistente in tre domande su altrettanti problemi/algoritmi esposti al corso.
A scelta dello studente, una delle tre domande può essere sostituita dall’esposizione del contenuto di una delle pubblicazioni scientifiche elencate nel materiale didattico.

Libri di testo:

• Coulouris, Dollimore, Kindberg, “Distributed Systems: Concepts and Design – 5th ed.”, Addison- Wesley, 2011;
• Kshemkalyani, Singhal, “Distributed Computing: Principles Algorithms and Systems”, Cambridge Univ. Press, 2008.
  Trasparenze delle lezioni (disponibili sul Team del corso, codice: 91f9jz4 ).
  Pubblicazioni scientifiche:
• L. Lamport, “Time, Clocks and the Ordering of Events in a Distributed System”. Communications of the ACM, Vol. 21, N. 7, Luglio 1978.
• L. Lamport, “Paxos Made Simple”, 2001.
• F.B. Schneider, “Implementing Fault-Tolerant Services Using the State Machine Approach: A tutorial”. ACM Computing Survey, Vol. 22, N. 4, Dicembre 1990.
• A. Rowstron and P. Druschel, “Pastry: Scalable, decentralized object location and routing for large-scale peer-to-peer systems”. Proc. 18th IFIP/ACM Int. Conf. on Distributed Systems Platforms (Middleware 2001), Nov. 2001.
• M. Crosby, Nachiappan, P. Pattanayak, S. Verma, V. Kalyanaraman, “BlockChain Technology”, 2015, https://scet.berkeley.edu/wp-content/uploads/BlockchainPaper.pdf

Obiettivo dell’insegnamento è di fornire la conoscenza dei concetti di base e degli algoritmi per l’elaborazione di immagini digitali e presentare le principali tecniche per la codifica di immagini fisse e sequenze video, con particolare attenzione agli standard più comuni. Oltre a fornire gli strumenti matematici e concettuali per trattare analiticamente questi argomenti, il corso si propone di dare le conoscenze necessarie per sviluppare in Python i principali algoritmi per l’elaborazione delle immagini.
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare di conoscere e saper comprendere gli strumenti metodologici per l’analisi e l’elaborazione delle immagini. Tali strumenti consentiranno agli studenti di risolvere problemi più complessi sia nel dominio dello spazio che nel dominio della frequenza.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper ragionare sulle problematiche riguardo l’analisi e l’elaborazione di immagini e di saper scegliere la tecnica più adatta per la risoluzione di un problema pratico.

Enhancement di immagini. Enhancement nel dominio spaziale. Trasformazioni basilari dell’intensità: operazioni puntuali lineari e non lineari. Equalizzazione dell’istogramma. Bit-plane slicing. Operazioni aritmetiche. Operazioni geometriche. Basi del filtraggio spaziale. Filtri di smoothing e di sharpening. Filtro mediano. Operazioni morfologiche. Enhancement nel dominio frequenziale. Trasformata di Fourier bidimensionale. DFT-2D. Esempi di filtro passa-basso e passa-alto. Filtraggio in frequenza: filtri ideali, filtri di Butterworth e filtri gaussiani.
Rappresentazione del colore. Cenni sul sistema visivo umano. Coni e bastoncelli. Sensibilità relativa dei coni di tipo S, M e L. Teoria tricromatica dei colori. Color matching. Gli spazi di colore (RGB, HSI). Pigmenti: colorazione sottrattiva, sistemi di stampa CMY, CMYK (quadricromia).
Segmentazione. Tecniche edge based. Point detection e line detection. Gradienti di Roberts, Prewitt e Sobel. Thresholding del gradiente. Zero-crossing del Laplaciano. Canny edge detector. Tecniche class-based. Algoritmo K-means.
Compressione di immagini. Codifica di sorgente. Generalità sulla compressione dati. La quantizzazione. Quantizzazione uniforme e non uniforme. Codifica predittiva. Schema del codificatore e decodificatore. Quantizzazione predittiva. Codifica mediante trasformata. Compattazione dell'energia e allocazione ottima delle risorse. Le trasformate lineari. Trasformata di Karhunen-Loéve e sue proprietà. Trasformata coseno discreta. Lo standard JPEG. Codifica video. Generalità sul segnale video. Compressione spaziale e temporale. Conditional replenishment e compensazione del movimento. Il codificatore ibrido. Cenni allo standard MPEG-1 e MPEG-2. La scalabilità in risoluzione e in frame-rate.
Trasformata Wavelet. Localizzazione tempo-frequenza. Wavelet continua (CWT). Mother Wavelet. Analisi multirisoluzione, funzione di scaling. Equazioni MRA. Estensione al caso bidimensionale. Implementazione della trasformata wavelet discreta (DWT). Banco di filtri di analisi e sintesi. Codifica mediante Wavelet. Algoritmo EZW.
Applicazioni. Esempi di applicazioni avanzate per l’elaborazione di immagini: denoising, super-risoluzione, riconoscimento di volti o oggetti, classificazione mediante descrittori locali, segmentazione semantica, riconoscimento di manipolazioni nelle immagini e nei video anche con tecniche basate sull’apprendimento (cenni alle reti neurali convoluzionali).

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione.
L’esame si articola in una prova scritta e una orale. La prova scritta, che consiste di tre algoritmi da sviluppare in Python al calcolatore, può essere sostituita dallo sviluppo di un progetto pratico in Python su un’applicazione avanzata di elaborazione di immagini. La prova orale consiste in due domande su problemi/algoritmi esposti al corso.

Libri di testo consigliati:
R.C.Gonzalez, R.E.Woods: “Digital image processing”, 3nd edition, Prentice Hall, 2008.
A.Bovik: “The essential guide to image processing”, Academic Press, 2009.
K.Sayood: “Introduction to data compression”, 2nd edition, Morgan Kaufmann, 2000.
Appunti del corso del docente: http://wpage.unina.it/verdoliv/esm/

Obiettivo dell'insegnamento èquello di fornire agli studenti competenze avanzate sul dimensionamento, sul controllo e sull'esercizio di veicoli elettrici ed ibridi che consentano sia
l'analisi delle prestazioni energetiche e dinamiche dei veicoli, tenendo conto delle diverse tipologie di sorgenti di bordo sia a batterie che a celle a combustibile.
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare di aver appreso gli strumenti metodologici per l’analisi e il
dimensionamento sia dei singoli sottosistemi di un veicolo elettrico ed ibrido- con particolare
riferimento alle architetture dei veicoli e la loro gestione ottimizzata dei flussi di potenza in
presenza di una o più sorgenti di bordo; conoscere i punti di forza e le criticità delle diverse
architetture di veicoli elettrici ed ibridi basati su differenti tipologie di macchine elettriche,
convertitori e strategie di controllo
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di sapere utilizzare in autonomia gli strumenti metodologici
acquisiti al fine individuare le soluzioni più idonee nel caso di nuove installazioni, con particolare
riferimento ai sistemi automotive; · saper implementare programmi di simulazione in ambiente
Matlab/Simulink per l’analisi preventiva delle prestazioni dinamiche ed energetiche di un veicolo;
· saper applicare le conoscenze teoriche acquisite attraverso esercitazioni analitiche ed
esperienze sperimentali su veicoli reali

Introduzione –Parte Generale · Storia di EV · Gap di EV rispetto a ICE · Classificazione veicoli ibridi e elettrici · Tipologie di EV · Veicoli elettrici ibridi (HEV) · Architetture HEV Descrizione generale del movimento del veicolo · Resistenza del veicolo · Equazione dinamica · Adesione pneumatico-terreno e massimo sforzo di trazione · Sforzo di trazione del treno di potenza e velocità del veicolo · Caratteristiche della centrale elettrica e della trasmissione del veicolo · Prestazioni del veicolo · Utilizzo di risparmio di carburante Risparmio di carburante · Prestazioni della frenata Modellazione Veicolo Ibrido (HEV) · Concetto di trasmissione elettrica ibrida · Architetture di
trasmissioni ibride elettriche serie e Parallela · Modellazione per l'Analisi Energetica · Analisi energetica a livello di veicolo · Equazioni del moto · Approcci di modellazione avanti e indietro · Bilancio energetico del veicolo · Cicli di guida Componenti del gruppo propulsore · Motore a combustione interna · Rapporti di trasmissione e cambio meccanico · Sistemi di trasmissione planetari · Macchine elettriche · Motori IM, Motori PM-BR, Motori DC · Convertitori di potenza o Inverter Dc/Ac e Chopper Dc/Dc · Accumulo di energia · UC-Ultracondensatori e batterie · Celle a combustibile Veicoli elettrici · Configurazioni di Veicoli Elettrici · Performance dei Veicoli
Elettrici · Sforzo di trazione nella guida normale · Consumo di energia · Architettura del gruppo propulsore · Batterie: Panoramica Tecnologie, Caratterizzazione della batteria, Modelli matematici, Sistemi di gestione della batteria Strategia di controllo della potenza del veicolo (VPCS) ed Energy Management System (EMS) di HEV · Concetti di base di VPCS ed EMS · Metodologia da implementare · Vantaggi della gestione dell'energia
· Classificazione delle strategie di gestione dell'energia · Il problema del controllo ottimale in HEV: Formulazione generale del problema · Principio minimo di Pontryagin per l'EMP negli HEV · Consumo equivalente (ECMS) · Strategia di minimizzazione · Equivalenza tra Pontryagin Principio minimo e ECMS · Correzione del consumo di carburante e variazione SOC · Controllo ottimale adattativo · Metodi di controllo: Adattamento basato sul feedback di SOC, Analisi e Confronto dei Metodi A-PMP, Calibrazione di strategie adattive Casi di studio · Architettura parallela · Modello Powertrain · Implementazione del modello in Advisor tool : Matlab-Simulink · Risultati

Modern Electric, Hybrid Electric, and Fuel cell Vehicles: Foundamental, Theory and Design M
Ehsani, Y Gao, A Emadi ·
Hybrid Electric Vehicles - Energy Management Strategies Simona Onori •Lorenzo Serrao •Giorgio
Rizzoni ·
Hybrid Electrc Vehicles Chris Mi, Abil Masrur and David Wenzhong Gao Wiley

L'insegnamento si propone di fornire agli studenti le nozioni specialistiche relative ai moderni Sistemi Embedded (sistemi informatici dedicati espressamente progettati ed integrati in forma "embedded" in specifici prodotti, spesso vincolati a soddisfare taluni requisiti di tipo real-time e prestazionali, oltre che requisiti su consumi, ingombro, affidabilità e sicurezza) quali quelli ampiamente impiegati nei sistemi industriali (trasporti: automotive e ferroviario; energia; sistemi di controllo meccanici) o di largo consumo (telefonia, intrattenimento, elaborazione multimediale) o, in generale, sistemi dell’internet delle cose (Internet of Things, IoT), di e-health, robotica ed Intelligenza Artificiale.
Conoscenza e capacita' di comprensione: Il percorso formativo, basato su lezioni teoriche ed esercitative, è volto a dotare lo studente delle conoscenze relative alle architetture di tipo embedded, con enfasi sugli aspetti tecnologici e metodologici, così come della comprensione dei flussi di progettazione per sistemi di tipo System-on-Chip (SoC) e Multi-Processor System-on-Chip (MPSoC). Il corso presenta, tra gli altri, sistemi SoC con processore ARM su schede STM32F4 della STMicroelectronics ed altri processori per applicazioni embedded sintetizzati su FPGA. Nelle lezioni di laboratorio, sono anche sviluppate conoscenze di alcuni ambienti IDE per la progettazione, composti da compilatori di linguaggi HDL, quali VHDL e Verilog, debugger, simulatori e strumenti per il mapping tecnologico.
Capacita' di applicare conoscenza e comprensione: Il percorso formativo è orientato a trasmettere le capacità e gli strumenti metodologici/operativi necessari ad applicare le conoscenze in termini di progettazione ingegneristica di sistemi embedded, basati su differenti architetture di tipo System-on-Chip (SoC), Multi-Processor System-on-Chip (MPSoC) e speciali (DSP, hardware dedicato), sintetizzate anche con componenti FPGA già studiati in insegnamenti precedenti del percorso di laurea magistrale. La progettazione farà ricorso a metodologie di sviluppo e ad ambienti IDE professionali ampiamente impiegati nel mondo industriale. La parte applicativa, in particolare, prevede lo sviluppo di un progetto d’aula.

Il corso è organizzato in tre parti principali: una teorica, una tecnologica ed una applicativa.
Parte teorica

• Architetture speciali e generali dei Sistemi Embedded e loro strutturazione a livelli.
• Architetture hardware basate sull’integrazione di hardware commerciale (processori, periferiche, multiprocessori, multicomputer, DSP, system on chip, etc.), hardware specifico (progettato mediante HDL e tecnologie di sintesi automatica) e dispostivi per il collegamento con attuatori e sensori di campo.
• Caratteristiche architetturali dei processori e dei sistemi per applicazioni di tipo System-on-Chip (SoC) e Multi-Processor System-on-Chip (MPSoC).
• Software di base, sistemi operativi e software applicativo per sistemi dedicati con o senza vincoli di real-time.
• Generalità su sensori e attuatori: principi di funzionamento, tipologia, interfacce ed esempi d’uso.
• Reti di sensori: architettura e software di servizio.
• Logiche di partizionamento di un sistema dedicato tra unità funzionali realizzate in hardware e/o in software dei sistemi embedded SoC e MPSoC.
• Sistemi di elaborazione per applicazioni industriali critiche per costo, affidabilità, tempo, sicurezza, consumi e ingombro.
• Ciclo di sviluppo: metodologie e strumenti per la sintesi e il codesign.
• Sviluppo di un sistema embedded su board STMicroelectronics della serie STM32xxx con processori ARM.
  Parte tecnologica
• Livelli hardware/software in cui è strutturato un sistema embedded: livello HAL, middleware, di sistema operativo RTOS e applicativo, anche con requisiti real-time, sottosistema di I/O caratterizzato dai più diffusi dispositivi di I/O, da sensori e attuatori e loro reti.
• Dispositivi di I/O sintetizzabili come IP core (UART/USART, PIO, I2C, SPI, USB, etc.) su FPGA.
• Componenti di base: sottosistemi di memoria, architettura di interconnessione. Bus e sistemi di interconnessione ad elevate prestazioni: i bus AMBA e AXI.
• Architetture dei più diffusi processori per sistemi embedded: la famiglia ARM; processori nativi della famiglia di FPGA (MicroBlaze di Xilinx); altri processori sintetizzabili come IP core su FPGA (processori di fascia bassa a 8, 16, 32 bit di tipo CISC e RISC, Java machine); architettura aperta RISC-V.
• Architetture System-on-Chip, famiglia di sistemi STM32Fxx.
• Architettura dei sistemi paralleli di tipo multiprocessore e reti di interconnessione.
• Architettura dei sistemi multicore e Multi-Processor System-on-Chip.
• Componenti programmabili ibridi composti da SoC o MPSoC (con processori di tipo general-purpose RISC/CISC e/o speciali quali ad esempio i Digital Signal Processor, DSP) e FPGA (per sintetizzare macchine speciali).
• Dispositivi ibridi FPGA-multicore: la famiglia Zynq.
• Architettura delle schede Digilent Zybo Zynq e ZedBoard Zynq
• Librerie di IP-Core, “intellectual Property Core”, appositamente sviluppate o presenti in librerie pubbliche e commerciali.
  Parte applicativa
  Per il laboratorio, gli studenti, organizzati in gruppi di lavoro, svilupperanno un progetto concreto di sistema embedded, suddiviso in sottosistemi, a partire dalle specifiche funzionali loro assegnate. La progettazione farà ricorso a metodologie di sviluppo e ad ambienti IDE a supporto, concretamente impiegati in ambito industriale. In particolare, si farà riferimento ad esempi di sistemi “on board” commerciali messi a disposizione degli studenti, con processori della famiglia ARM ed FPGA delle famiglie Xilinx.

Valutazione combinata di esame orale e discussione elaborato progettuale.

• G. Conte, A. Mazzeo, N. Mazzocca, P. Prinetto, “Architettura dei calcolatori”, Cittastudi edizioni, 2015.
• F.Vahid, T.Givaris, “Embedded System Design - A unified Hardware/Software Introduction”, Wiley, 2002.
• K. Papovic, F. Rousseau, A. A. Jerraya, M. Wolf, “Embedded Software Design and Programming of Multiprocessor System-on-Chip”, Springer, 2010.
• M. Domeika, Software Development for Embedded Multi-core Systems a Practical Guide Using Embedded Intel ® Architecture
• “Automotive Embedded Systems Handbook, Industrial Information Technology Series CRC Press, 2009, N. Navet, F. Simonot Lion eds.
• K. Yaghmour, J. Masters, G. Ben-Yossef, and P. Gerum, “Building Embedded Linux Systems”, O’Reilly.
• Wayne Wolf, “Computers as components”, Morgan Kaufman, 2000. Planned 2nd ed
• P. Marwedel,“Embedded System Design”, Kluwer academic publishers, ISBN: 1-4020-7690-8, November 2003
• J. Sauermann, M. Thelen, “Realtime Operating Systems Concepts and Implementation of Microkernels for Embedded Systems”,
• Manuali e datasheet dei vari dispositivi utilizzati e forniti durante il corso.

L'uso dei robot si sta diffondendo dalle industrie ai settori civili come case, uffici, scuole e ospedali. Come dovrebbe essere progettato un sistema robotico per interagire con gli utenti in questi ambiti? Questo corso esplora il campo interdisciplinare dell'Interazione Uomo-Robot (HRI), applicato sia ai robot mobili che ai robot umanoidi, concentrandosi sulla progettazione, sviluppo e valutazione di robot che interagiscono con gli esseri umani in diversi contesti. Gli studenti studieranno concetti chiave della robotica, delle scienze cognitive, dell'interazione sociale e della progettazione centrata sull'utente, preparandosi a sviluppare robot socialmente intelligenti e in grado di collaborare efficacemente con gli esseri umani. Gli argomenti trattati includono la percezione robotica, la comunicazione, l'etica e l'applicazione dell'HRI in settori come la sanità, l'istruzione e l'intrattenimento. Una parte significativa del corso prevede l'implementazione di questi concetti su piattaforme robotiche reali, richiedendo agli studenti di progettare, implementare e testare un sistema robotico in grado di interagire con gli esseri umani.
Conoscenza e capacita' di comprensione: Acquisire familiarità con le principali tecniche di intelligenza artificiale utilizzate nell'Interazione Uomo-Robot (HRI).
Capacita' di applicare conoscenza e comprensione: - Comprendere e applicare i concetti fondamentali dell'Interazione Uomo-Robot (HRI).

• Analizzare il comportamento umano e la cognizione per informare la progettazione robotica.
• Progettare robot che comunichino e collaborino efficacemente con gli esseri umani in diversi ambienti.
• Applicare i principi dell'HRI a problemi reali in campi come la sanità, l'industria e l'istruzione.
• Implementare un sistema di interazione uomo-robot.
• Pianificare e condurre uno studio orientato all'utente.
• Analizzare i risultati di uno studio.

Introduzione all'Interazione Uomo-Robot. Panoramica della storia, delle tendenze e delle sfide dell'HRI. Principi di progettazione centrati sull'uomo nella robotica. Azioni Reattive: Comportamenti animali e etologia. Coordinamento e controllo nei comportamenti, meccanismi di rilascio innati. Architettura a sussunzione, architettura a campi potenziali. Progettazione di un sistema reattivo basato su comportamenti. Behavioral trees. Robotica Cognitiva e Percezione. Introduzione ai sensori e alla percezione, percezione nei comportamenti. Comprensione del comportamento umano. Riconoscimento delle intenzioni. Apprendimento automatico per interazioni adattive. Interazione Sociale e Comunicazione Elaborazione del linguaggio naturale, parlato, gestualità e comunicazione non verbale nei robot. Metodi di interazione multimodale e fattori umani. Riconoscimento delle Emozioni e Computing Affettivo. Progettazione di robot in grado di percepire e rispondere alle emozioni umane. Applicazioni del computing affettivo nell'HRI. Collaborazione Uomo-Robot. Principi di lavoro di squadra e collaborazione tra esseri umani e robot. Casi d'uso nell'industria, nella sanità e nei robot di servizio. Robot Socialmente Assistivi (SARs). Il ruolo dei SARs nella sanità, nella terapia e nell'assistenza agli anziani. Considerazioni etiche nella progettazione delle tecnologie assistive. HRI nella Sanità. Applicazioni dei robot nella cura medica, nella riabilitazione e nell'assistenza agli anziani. Studi di caso sui robot in contesti clinici. Ricerca Avanzata nell'HRI. Esperimenti HRI: Progettazione dell'interazione, metodi di ricerca nell'HRI. Metriche e misurazioni, statistiche inferenziali. Innovazioni recenti, direzioni future e sfide ancora aperte.

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione.

1) Computational Human-Robot Interaction. Thomaz, Hoffman, &Cakmak, Foundations and Trends in Robotics. Vol 4: No. 2-3. Now Publishers, 2016
2) C. Bartneck, T. Belpaeme, F. Eyssel, T. Kanda, M. Keijsers, S. Sabanovi, Human-Robot Interaction
2) R. R Murphy, Introduction to AI Robotics

L’insegnamento si propone di fornire agli studenti nozioni approfondite sullo sviluppo e
l’applicazione di tecniche di elaborazione delle immagini per la soluzione di tipici problemi di
computer vision, spaziando da metodi tradizionali per l’elaborazione dei segnali, cioè orientati alla
modellizzazione, ad approcci moderni basati su reti neurali convoluzionali. Specifici problemi di
computer vision considerati quali obiettivi formativi del corso sono la rivelazione, caratterizzazione
ed il matching di feature locali, il fitting e l’allineamento di modelli geometrici, la classificazione di
immagini, la segmentazione semantica o per istanze di immagini, la rivelazione, localizzazione ed il riconoscimento degli oggetti, la stima della posa, la stima della profondità, la corrispondenza
stereo, la ricostruzione 3D da viste multiple.
Conoscenza e capacita' di comprensione: Lo studente dovrà conoscere sia le classiche tecniche di filtraggio, sia gli approcci basati sulle
moderne reti neurali convoluzionali per la soluzione di problemi di visione computazionale quali il
rilevamento, la descrizione e l'abbinamento di caratteristiche locali, l'adattamento e l'allineamento
di modelli geometrici, la classificazione di immagini, segmentazione semantica o di istanza,
rilevamento, localizzazione e riconoscimento di oggetti, stima della posa, stima della profondità,
corrispondenza stereo, ricostruzione 3D da viste multiple, dal punto di vista dell'elaborazione del
segnale. Per i problemi elencati lo studente dovrà conoscere anche le metriche o gli indici di
prestazione utili a valutare le possibili soluzioni.
Capacita' di applicare conoscenza e comprensione: Lo studente deve acquisire la capacità di progettare, sviluppare e testare algoritmi di elaborazione
delle immagini allo stato dell’arte finalizzati alla risoluzione di comuni problemi di visione
computazionale, tra cui la rivelazione, descrizione ed il matching di feature locali, il fitting e
l’allineamento di modelli geometrici, la classificazione di immagini, la segmentazione semantica o
per istanze, la rivelazione, localizzazione e riconoscimento di oggetti, la stima della posa, la stima
della profondità, la corrispondenza stereo, la ricostruzione 3D da viste multiple.

Richiami sul filtraggio delle immagini. Dominio spazio-scala e decomposizione piramidale.
Richiami sugli ambienti di programmazione per lo sviluppo di algoritmi di computer vision.
Formazione dell'immagine: La luce e il colore. Il modello pinhole camera. La proiezione del
mondo 3D nel piano dell’immagine: matrice di proiezione della camera e calibrazione della
camera. Trasformazioni geometriche di tipo proiettivo.
Early vision: Rivelazione dei contorni; segmentazione mediante trasformata watershed; template
matching e descrizione tessiturale; rivelazione di angoli (Harris detector) e linee (trasformata di
Hough).
Rivelazione e descrizione di keypoint: Definizione di keypoint e proprietà di ripetitività. Proprietà
di invarianza dei rivelatori rispetto ad illuminazione, traslazione, rotazione, scala, trasformazioni
affini e omografie. Rivelatore di Harris. Differenza di gaussiane (DoG). Piramide di DoG.
Orientazione e scala di un keypoint. Descrittori di feature: proprietà discriminative; descrittori di
comune impiego (SIFT, SURF, MSER,...); descrittori di forma e contesto.
Matching, fitting ed allineamento: Matching di feature mediante criterio del rapporto delle
distanze. Fitting ed allineamento: metodo dei minimi quadrati lineare o robusto; algoritmo ICP;
trasformata di Hough generalizzata; algoritmo RANSAC. Rivelazione, riconoscimento e
classificazione.
Elaborazione delle immagini mediante reti neurali convoluzionali (CNN): Architetture
convoluzionali per l'elaborazione delle immagini. Addestramento di CNN per l’elaborazione delle immagini: backpropagation e algoritmo di ottimizzazione SGD (e varianti). Moduli (layer) di
comune impiego: convoluzione, pooling, unpooling, batch normalization, funzioni di attivazione
(ReLU e sue varianti, Tanh, sigmoide). Funzioni di costo per l'elaborazione delle immagini.
Dropout e data augmentation. Modelli CNN per super-risoluzione, classificazione, segmentazione,
rivelazione e localizzazione di oggetti, stima della profondità, stima della posa.
Visione multi-view: Visione stereo: disparità e profondità. Vincoli epipolari; matrice essenziale e
matrice fondamentale. Problemi di corrispondenza densi. Ricostruzione 3D da multi-view:
Structure from Motion (SfM).

L’esame prevede la presentazione di un progetto svolto individualmente o in gruppo, con relativa
discussione, ed un colloquio generale sui contenuti del corso. Il progetto è di norma sviluppato in
itinere e presentato al termine del corso in un workshop di chiusura, mentre il colloquio può tenersi
in qualsiasi appello dell’a.a. corrente senza vincoli temporali.

R. Szeliski, “Computer vision: algorithms and applications”, Springer 2010.
R.-I. Hartley, A. Zisserman, “Multiple View Geometry in Computer Vision”, C. U. P., 2nd Ed., 2004.
I. Goodfellow, et al., “Deep Learning”, MIT Press, 2017.
Dispense del docente.

L'obiettivo del corso è quello di fornire agli studenti nozioni specialistiche per affrontare e risolvere le problematiche legate al processo di Information Retrieval (IR). Il corso presenterà metodi, modelli e tecniche per la ricerca di informazioni e descriverà aspetti tecnologici ed architetturali dei sistemi per l’IR. Verranno presentate metodologie per la rappresentazione delle informazioni sia testuali che multimediali tramite appositi descrittori, utilizzate tecniche di data mining, machine learning e deep learning per la loro analisi e tecnologie di memorizzazione basate su BigData in applicazioni di IR con particolare riferimento al semantic web, al web of data e ai dispositivi intelligenti. Verranno utilizzati strumenti software per la realizzazione completa di un sistema di Information Retrieval e presentati casi studio su applicazioni emergenti.
Conoscenza e capacita' di comprensione: Il percorso formativo intende fornire agli studenti le conoscenze e gli strumenti metodologici necessari per analizzare le problematiche legate all’analisi delle informazioni per permettere il loro reperimento. Tali strumenti consentiranno agli studenti di comprendere le principali relazioni che sussistono tra rappresentare le informazioni, analizzarle e gestirle e di cogliere le conseguenze in termini di efficacia ed efficienza nel contesto dell’intero processo di Retrieval
Capacita' di applicare conoscenza e comprensione: Il percorso formativo è orientato a trasmettere le capacità e gli strumenti metodologici e operativi necessari ad applicare concretamente le conoscenze legate all’analisi delle informazioni nel processo di Retrieval per lo sviluppo di tecniche e l’utilizzo di tecnologie adeguate

INTRODUZIONE ALL’INFORMATION RETRIEVAL (IR) - Il Problema del Retrieval delle Informazioni, Data retrieval ed Information retrieval, Utenti, Sistemi di IR, Il WEB, La Rilevanza delle Informazioni, Interfacce di Ricerca, Navigazione e Ricerca, Specifica delle Query, visualizzazione dei Risultati. MODELLI DI RETRIEVAL - Modellazione e Ranking, Modello Booleano, Modello Vettoriale, Modello Probabilistico, Modelli Avanzati per l’Information Retrieval. VALUTAZIONE DEL PROCESSO DI RETRIEVAL - Il Paradigma di Cranfield, Precision/Recall, F-measure, Altre Misure per la Valutazione, Collezioni di Documenti. RELEVANCE FEEDBACK E QUERY EXPANSION - L’Utente nel Processo di Retrieval, Un Framework per i Metodi di Feedback, Relevance Feedback Esplicito, Relevance feedback Implicito, Query Expansion. DOCUMENTI E QUERY - Formati Documentali, Proprietà del Testo, Preprocessing Documentale, Thesauri, Ontologie, Text Mining, Descrittori Multimediali, Linguaggi per le Query, Proprietà delle Query, Multimedia Query. CLASSIFICAZIONE DEL TESTO - Caratterizzazione della Text Classification, Algoritmi non Supervisionati, Algoritmi Supervisionati, Metriche di Valutazione, Organizzazione delle Classi. MULTIMEDIA RETRIEVAL - Definizione di Multimedia, Il Gap Semantico, Image Retrieval, Audio e Music Retrieval, Video Retrieval (cenni), Multimodal Information Retrieval ed Information Fusion, Tecniche di Intelligenza Artificiale, BigData e Deep Learning per il Retrieval e la Classificazione Multimediale. INDEXING - Il processo di Indicizzazione, Indici Inversi, Ricerca, Ranking, Costruzione, Query Strutturali. WEB RETRIEVAL - Il Web, La struttura del Web Graph, Modellare il Web, Link Analysis, Architetture dei Motori di Ricerca, Ranking nei Motori di Ricerca, Semantic Web, Web of Data, Search Engine User Interaction, Knowledge Graph, Neural Ranking. WEB CRAWLING - Applicazioni di un Web Crawler, Architettura di un Crawler, Algoritmi di Scheduling.

La preparazione verrà valutata tramite la discussione di un elaborato pratico (descrizione delle tecniche e sviluppo codice) proposto dallo studente e concordato con il docente o assegnato dal docente su un argomento specifico del corso. Dopo la discussione dell'elaborato si svolgerà un orale sulla parte teorico/metodologica dell'insegnamento. Le prove concorrono in maniera paritetica al voto finale.

Libri di testo:
Ricardo Baeza-Yates, Berthier Ribeiro-Neto, Modern Information Retrieval: The Concepts and Technology Behind Search 2ed, Addison Wesley, 2011.
Alonso, O., & Baeza-Yates, R. (Eds.). (2024). Information Retrieval: Advanced Topics and Techniques. ACM.
Slides del Corso.

Al completamento con successo del corso, gli studenti saranno in grado di:

• Comprendere i principi fisici che governano la generazione, la propagazione, l'acquisizione, l'elaborazione e la riproduzione del suono.
• Spiegare i principi operativi del sistema uditivo umano e i principali fenomeni psicoacustici coinvolti nella percezione del suono, tra cui volume, tono, timbro, mascheramento e udito spaziale.
• Analizzare i principi operativi e le caratteristiche prestazionali dei trasduttori elettroacustici, inclusi microfoni, altoparlanti, cuffie e interfacce audio.
• Comprendere le basi matematiche e ingegneristiche dell'elaborazione del segnale audio digitale, tra cui campionamento, quantizzazione, filtraggio, elaborazione dinamica, elaborazione spettrale ed effetti del dominio temporale.
• Valutare le caratteristiche e le applicazioni delle principali tecniche di codifica e compressione audio, inclusi PCM, MP3 e formati audio lossless, nonché il protocollo di comunicazione MIDI.
• Descrivere i principi e le tecnologie della riproduzione audio spaziale, inclusi i sistemi stereofonici, surround multicanale, binaurali, Ambisonics e Dolby Atmos.
• Analizzare l'architettura dei moderni sistemi di produzione audio e comprendere l'interazione tra hardware, software e dispositivi elettroacustici in ambienti audio professionali.
• Valutare soluzioni tecnologiche alternative per l'acquisizione, l'elaborazione e la riproduzione audio, selezionando l'approccio più appropriato in base ai requisiti tecnici e applicativo.
• Applicare i principi ingegneristici per interpretare il funzionamento di catene audio complete e valutare criticamente le prestazioni dei sistemi audio professionali.
• Utilizzare un'appropriata terminologia scientifica e tecnica per discutere concetti, tecnologie e soluzioni ingegneristiche nel campo dell'ingegneria audio.
  Conoscenza e capacita' di comprensione: Al completamento con successo del corso, gli studenti avranno acquisito una comprensione completa dei principi fisici, elettroacustici e psicoacustici alla base della generazione del suono, della propagazione, della percezione e della riproduzione. Capiranno i principi operativi del sistema uditivo umano, i principali meccanismi di percezione del suono e i fenomeni psicoacustici che influenzano la progettazione e la valutazione dei sistemi audio. Gli studenti acquisiranno anche conoscenza dei principi operativi e delle caratteristiche prestazionali dei principali trasduttori elettroacustici e delle apparecchiature audio professionali, tra cui microfoni, altoparlanti, interfacce audio e dispositivi di condizionamento del segnale. Comprenderanno le basi teoriche dell'elaborazione del segnale audio digitale, delle tecniche di codifica e compressione audio, del protocollo di comunicazione MIDI e delle tecnologie impiegate nei moderni sistemi audio spaziali, tra cui l'audio stereofonico, multicanale, binaurale, Ambisonics e Dolby Atmos.
  Infine, gli studenti svilupperanno una comprensione sistematica delle catene complete di acquisizione, elaborazione e riproduzione audio, consentendo loro di interpretare le interazioni tra hardware, software e aspetti percettivi nelle moderne applicazioni di ingegneria audio.
  Capacita' di applicare conoscenza e comprensione: Al completamento con successo del corso, gli studenti saranno in grado di applicare i principi teorici dell'acustica, della psicoacustica e dell'ingegneria audio digitale per analizzare e valutare i moderni sistemi e tecnologie audio. Saranno in grado di interpretare il comportamento e le prestazioni dei trasduttori elettroacustici, degli algoritmi di elaborazione del segnale digitale e delle apparecchiature audio professionali, mettendo in relazione i parametri tecnici oggettivi alla percezione uditiva soggettiva. Gli studenti saranno in grado di valutare l'idoneità di diverse tecnologie per l'acquisizione, l'elaborazione e la riproduzione del suono, comprese le tecniche di codifica audio, i sistemi audio spaziali e i dispositivi elettroacustici. Saranno anche in grado di analizzare catene di segnali audio complete, identificando la funzione di ciascun componente e valutando il suo contributo alle prestazioni complessive del sistema. Attraverso visite guidate a strutture di registrazione professionali e centri di formazione audio specializzati, gli studenti svilupperanno la capacità di mettere in relazione concetti teorici con applicazioni ingegneristiche del mondo reale, interpretando criticamente le soluzioni tecnologiche adottate negli ambienti audio professionali.

Modulo 1 – Fondamenti dell'acustica e della teoria del suono Il suono come fenomeno ondulatorio. Onde longitudinali e trasversali. Onde sinusoidali e rappresentazione matematica. Frequenza, periodo, fase, lunghezza d'onda e velocità di propagazione. Superposizione e interferenza delle onde. Pressione sonora, intensità del suono e potenza acustica. Livello di pressione sonora (SPL) e scale di decibel. Livelli di segnale elettrico e acustico. Impedenza acustica ed elettrica. Quantità fisiche e unità di misura in acustica.
Modulo 2 – Sistema uditivo umano e psicoacustica Anatomia e fisiologia del sistema uditivo umano. Gamma dinamica dell'udito. Sensibilità alla frequenza e percezione di uguale volume. Loudness, Phon e scale Sone. Percezione del tono e scala Mel. Percezione del timbro. Bande critiche, scala Bark e larghezza di banda rettangolare equivalente (ERB). Solo una differenza evidente (JND). Legge di Weber e Legge del potere di Stevens. Mascheramento simultaneo, avanti e indietro. Udito spaziale e localizzazione del suono. Differenza di tempo interaurale (ITD), differenza di livello interaurale (ILD) e differenza di fase interaurale (IPD). Funzioni di trasferimento correlate alla testa (HRTF) e risposte all'impulso correlate alla testa (HRIR). Effetto Haas (precedenza) ed effetto Franssen. Fondamenti della percezione audio immersiva.
Modulo 3 – Trasduttori elettroacustici Microfoni Principi di funzionamento del microfono. Microfoni a pressione e gradiente di pressione. Microfoni dinamici. Microfoni a condensatore. Microfoni a nastro. Trasduttori di carbonio, cristallo e ceramica. Modelli polari. Risposta in frequenza. Sensibilità. Effetto di prossimità. Potenza fantasma. Messa a terra e schermatura. Connessioni equilibrate e squilibrate. Fase e polarità. Tecniche di posizionamento del microfono. Tecniche di registrazione stereo: array di microfoni multicanale XY AB ORTF Mid-Side (MS). Altoparlanti Principi operativi. Costruzione dell'altoparlante. Parametri elettroacustici. Reti crossover attive e passive. Design del recinto. Infiniti sistemi di deflettore. Sistemi di bass reflex. Altoparlanti della linea di trasmissione. Impedenza. Polarità. Direttività e risposta polare.
Modulo 4 – Compressori di elaborazione dinamica di elaborazione del segnale audio. Limitatori. Espansori. Cancelli antirumore. Massimizzatori. Equalizzatori di elaborazione spettrale. Filtri Wah-Wah. Filtri formanti. Vocoders. Talk Box. Ritardo Di Elaborazione Basato Sul Tempo. Eco. Riverbero. Coro. Flangia. Graduale. Elaborazione del passo Spostazione del tono. Armonizzazione. Correzione del passo. Principi degli effetti audio digitali e applicazioni degli effetti audio digitali. Tecniche di elaborazione del segnale digitale (DSP) per il miglioramento audio.
Modulo 5 – Sistemi audio professionali Console di missaggio analogiche e digitali. Preamplificatori per microfono. Scatole a iniezione diretta (DI). Baia di patch. Sintetizzatori. Architettura di sistemi audio professionali. Flusso del segnale audio e integrazione del sistema.
Modulo 6 – Fondamenti audio digitale dell'audio digitale. Teoria del campionamento. Quantizzazione. Conversione da analogico a digitale e da digitale ad analogico. Codifica audio e compressione. Codeci audio lossy e lossless. Principi della compressione audio MP3. Formati audio digitali. Il protocollo MIDI. Postazioni di lavoro audio digitali (DAW).
Modulo 7 – Tecnologie audio spaziali Fondamenti della riproduzione stereofonica del suono. Tecniche di registrazione stereo. Sistemi audio surround multicanale. Audio binaurale. Ambisonics. Dolby Atmos. Tecnologie audio immersive. Tecniche di rendering audio spaziale.
Attività educative
Il corso include visite tecniche guidate a uno studio di registrazione professionale e a un centro di formazione audio specializzato. Queste attività forniscono agli studenti un'esposizione diretta agli ambienti professionali di produzione audio e consentono loro di osservare il funzionamento dei moderni sistemi di registrazione, elaborazione del segnale e riproduzione del suono, collegando i concetti teorici con l'attuale pratica ingegneristica.

La valutazione si basa su un esame orale, volto a valutare la comprensione dello studente dei fondamenti teorici dell'ingegneria audio e della loro capacità di analizzare e discutere criticamente i sistemi e le tecnologie audio.
La valutazione si basa su un esame orale, volto a valutare la comprensione dello studente dei fondamenti teorici dell'ingegneria audio e della loro capacità di analizzare e discutere criticamente i sistemi e le tecnologie audio.
Durante l'esame, gli studenti sono tenuti a dimostrare:

• conoscenza dei principi fisici, elettroacustici e psicoacustici alla base del suono e dell'udito;
• comprensione delle tecniche di elaborazione del segnale audio digitale, dei metodi di codifica audio e delle tecnologie audio spaziali;
• conoscenza dei principi operativi e delle caratteristiche delle apparecchiature audio professionali e dei trasduttori elettroacustici;
• la capacità di mettere in relazione i concetti teorici con applicazioni ingegneristiche del mondo reale, comprese quelle osservate durante le visite educative;
• la capacità di comunicare concetti tecnici utilizzando un'appropriata terminologia scientifica e ingegneristica.
  Il voto finale si basa sull'accuratezza e la completezza delle risposte, sulla capacità di stabilire connessioni tra diversi argomenti, sull'analisi critica delle soluzioni ingegneristiche e sull'uso appropriato del linguaggio tecnico.

Lezioni in PDF su Teams.
Libro di testo: Handbook for Sound Engineers / Glen Ballou - Elsevier

Il corso ha lo scopo di applicare le tecniche delle misure elettroniche ad una problematica di rilievo. I principali obiettivi formativi riguardano la capacità di specificare, concepire, progettare, implementare, testare, e qualificare un sistema di misura comprensivo di acquisizione ed elaborazione dati, nonché di un software strettamente legato al protocollo sperimentale, relativamente alle nuove interfacce uomo-macchina. Si insisterà altresì su multidisciplinarità e team-working.
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare di conoscere e saper analizzare i requisiti, progettare concettualmente e fisicamente, testare e validare un sistema di misura basato su PC ("virtual instrument") o microcontrollore. Deve dimostrare di avere una conoscenza approfondita delle metodologie impiegate per affrontare un problema pratico di misura ed adottare un linguaggio tecnico appropriato. Deve inoltre essere in grado di lavorare all’interno di un gruppo multidisciplinare in un ambiente che simula una piccola azienda di ricerca e sviluppo.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di essere in grado di gestire una commessa affidata ad un gruppo di ricerca e sviluppo, di coglierne sia gli aspetti tecnologici che economici, nonché essere in grado di gestire le risorse a disposizione per portare a termine il compito assegnato. Il percorso formativo èorientato a trasmettere le capacità, gli strumenti metodologici e gli strumenti operativi necessari a trasferire le conoscenze acquisite, con particolare riferimento al campo delle misure, verso uno scenario applicativo di matrice industriale (che in senso ampio include anche l'ambito applicativo "health 4.0") ed affrontare problematiche rilevanti su tematiche di frontiera.

1. TELEMONITORAGGIO E INDUSTRIA SMART
Concetti generali: monitoraggio avanzato e diagnostica intelligente. Architettura dei sistemi di telemonitoraggio e telemisura: basate su micro-controllori on-chip, su palmari/smartphone, su webservice e PC. Cenni alla sensoristica dell’Internet of Things (IoT) e Internet of Everything (IoE). Panoramica dei protocolli di comunicazione: Near Field Communications, SubGHz, Narrow Band IoT, LoRa e SigFox. Quarta e quinta rivoluzione industriale: concetto di Industria 4.0 e 5.0 (Smart Industry), i nove pilastri.
2. INTERFACCE UOMO-MACCHINA E TELEMONITORAGGIO
Microcontrollori per acquisizione dati: richiami di architettura di un microcontrollore, componenti logici e fisici, analisi delle specifiche; programmazione a livello registri, ambienti di sviluppo ed esempi, schede per espansione delle funzionalità: sensori MEMS e comunicazione Bluetooth low energy.
Brain-computer interface: architettura di principio delle interfacce cervello-computer (BCI). Tassonomia dei sistemi BCI: invasivi, parzialmente invasivi, e non invasivi; attivi e passivi; endogeni ed esogeni. Prodotti e tecnologie del mercato di oggi. Principi di etica dell’interazione cervello-computer. Hardware di acquisizione dell’attività cerebrale: tecniche di neuroimaging ed elettroencefalografia, strumentazione indossabile, panoramica di mercato, prestazioni e caratterizzazione metrologica.
Physical Artificial Intelligence: differenza tra AI percettiva e generativa, elaborazione "on the edge", tecniche di estrazione delle caratteristiche sintetiche, approcci alla classificazione e reti neurali, transformer e "conversational agents". Misura di segnali cerebrali legati all'attività neurale, implementazione agenti virtuali.
Esercitazioni : sviluppo di applicativi per microcontrollore con accensione di LED, pressione di pulsanti e utilizzo dell’interrupt. Acquisizione di segnali elettroencefalografici con sistemi di acquisizione indossabili e portabili. Elaborazione di segnali cerebrali tramite AI percettiva embedded. Agenti conversazionali. Elaborazione online di segnali di immaginazione motoria in Matlab/Simulink.
3. APPLICATIVO DI MISURA BASATO SU INTERFACCE EMBEDDED
Principi di project management : Pianificazione dell’attività prototipale: attività e relativi work-packages, tasks, milestones, deliverables, diagramma di Gantt. Analisi di mercato. Trasformazione delle richieste di un committente in una offerta commerciale. Stesura documentazione. Time management.
Sviluppo applicativo : analisi dei requisiti dell’applicazione. Progettazione concettuale e fisica del sistema di acquisizione ed elaborazione dei dati cerebrali. Progettazione concettuale e implementazione attuatori. Integrazione sistema telemonitoraggio e telecontrollo in ambito I4.0. Debug e test. Integrazione e prove di validazione. Stesura della documentazione finale e realizzazione della presentazione del prototipo agli stake-holders del processo.
Esercitazioni : sviluppo di un applicativo per microcontrollore e/o SoC. Controllo tramite interfaccia embedded di un sistema per applicazioni in ambito industria smart.

L’elaborato progettuale sarà monitorato durante lo svolgimento del corso e discusso al suo termine ai fini dell’esame. Alla discussione saranno affiancate anche domande di teoria volte a sondare le conoscenze acquisite dagli allievi. L’esito finale dell’esame sarà prevalentemente determinato sulla base dell’elaborato progettuale discusso. Le domande di teoria avranno un peso pari circa al 10% del voto finale.

M. Rüßmann, et al, “Industry 4.0: The Future of Productivity and Growth in Manufacturing Industries”. Boston Consulting Group, 2015.
A.E. Hassanien and A. A. Azar, “Brain-computer interfaces”. Switzerland, Springer, 2015.
J. Wolpaw, and E. Winter Wolpaw, eds, “Brain-computer interfaces: principles and practice”. OUP USA, 2012.
D. Bansal, and M. Rashima, “EEG-Based Brain-Computer Interfaces: Cognitive Analysis and Control Applications”. Academic Press, 2019.
P. Arpaia, A. Esposito, L. Gargiulo, and N. Moccaldi, “Wearable Brain-Computer Interfaces: Prototyping EEG-Based Instruments for Monitoring and Control”. CRC Press, 2023.
Application notes costruttori.
Manuali componenti, demo boards e applicativi.
Slide docenti.
Appunti dalle lezioni.

Il corso introduce gli studenti alle basi teoriche e alle metodologie necessarie per la progettazione di sistemi robotici autonomi/cognitivi in grado di operare in ambienti non strutturati, dinamici ed interattivi. La prima parte del corso è focalizzata su concetti e metodi per la robotica mobile (localizzazione, mapping, navigazione, esplorazione, ecc.). La seconda parte è incentrata su architetture e metodi per la progettazione di sistemi robotici autonomi dotati di capacità cognitive (percezione, ragionamento, decisione, pianificazione, interazione, collaborazione, apprendimento, ecc.). Al termine del corso gli studenti avranno acquisito: conoscenza e comprensione delle problematiche e degli approcci proposti in letteratura; competenza nelle architetture, nei modelli, nei metodi e nelle tecniche necessari per la progettazione di sistemi robotici autonomi/cognitivi; competenza negli strumenti per lo sviluppo di robot autonomi.
Conoscenza e capacita' di comprensione: Al termine del corso gli studenti avranno acquisito: conoscenza e comprensione delle problematiche e degli approcci proposti in letteratura; competenza nelle architetture, nei modelli, nei metodi e nelle tecniche necessari per la progettazione di sistemi robotici autonomi/cognitivi.
Capacita' di applicare conoscenza e comprensione: Al termine del corso, gli studenti saranno in grado di utilizzare strumenti e metodologie per progettare e sviluppare robot autonomi e collaborativi.

Robotica Mobile: (3 CFU) Paradigmi e architetture; introduzione alla robotica mobile; filtri bayesiani (filtri di Kalman e filtri particellari); metodi per la localizzazione e il mapping (EKF-SLAM, FastSLAM); navigazione (evitamento di ostacoli, metodi dynamic windows); pianificazione di percorso e di moto (metodi Voronoi, PRM, RRT); metodi di pianificazione probabilistica (MDPs, POMDPs); apprendimento per rinforzo in robotica.
Robotica Autonoma e Cognitiva: (3 CFU) architetture ibride; middleware e integrazione (introduzione a ROS); AI planning (pianificazione classica; gerarchica; pianificazione e schedulazione temporale); sistemi esecutivi; architetture cognitive e modelli cognitivi; metodi per la robotica collaborativa (pianificazione ed esecuzione collaborativa, sistemi human-in-the-loop e autonomia regolabile, apprendimento per dimostrazione).

Le modalità saranno definite secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione.

Probabilistic Robotics, Sebastian Thrun, Wolfram Burgard and Dieter
MIT Press Introduction to AI Robotics, R. Murphy
Reinforcement Learning: An Introduction, R. Sutton and A. Barto
Documenti, lucidi e note forniti sul sito web del Corso

L’insegnamento si propone di presentare nel dettaglio i principali algoritmi di Machine Learning per la soluzione di problemi di classificazione, predizione numerica e clustering, nonché le metodologie di gestione e sviluppo di un processo di Machine Learning, dalla preparazione dei dati alla valutazione dei risultati.
L’insegnamento consentirà anche di sviluppare competenze pratiche nella soluzione di problemi reali di classificazione, predizioni numerica o clustering tramite algoritmi di Machine Learning, grazie ad esercitazioni svolte con tool open source e/o commerciali.
Conoscenza e capacita' di comprensione: Al termine del corso, lo studente deve dimostrare di conoscere i principali algoritmi di Machine Learning e Deep Learning e di essere in grado di scegliere l’algoritmo di Machine Learning più adatto a risolvere uno specifico problemi di classificazione e/o predizione numerica e/o clustering, sulla base dei requisiti del problema medesimo. Lo studente deve inoltre dimostrare di essere in grado di scegliere le opportune tecniche di preparazione dei dati e deve conoscere le tecniche necessarie per la valutazione delle prestazioni di algoritmi di Machine Learning e Deep Learning.
Capacita' di applicare conoscenza e comprensione: Al termine del corso, lo studente deve dimostrare di essere in grado di risolvere problemi reali di classificazione, predizione numerica o clustering utilizzando tecniche di Machine Learning o Deep Learning. Lo studente deve anche dimostrare di saper valutare in modo corretto le prestazioni dei sistemi che realizza.

1. Introduzione al Machine Learning (0.25 CFU)
2. Input ed Output (0.5 CFU)
Concetti, istanze ed attributi. Rappresentazione della conoscenza.
3. Metodi di base (1.0 CFU)
Modelli probabilistici, alberi di decisione, regole di classificazione, modelli lineari, instance-based learning, clustering.
4. Valutazione delle prestazioni (0.5 CFU)
Training e Testing. CV, LOO, Cost-sensitive classification. ROC. Valutazione di algoritmi di predizione numerica.
5. Metodi avanzati (2 CFU)
Alberi di decisione: C4.5. Regole di classificazione. PART. Instance-based learning. Estensione dei modelli lineari: SVM, Epsilon-SVR, MLP. Predizione numerica con modelli lineari locali.
6. Trasformare i dati (0.25 CFU)
Selezione degli attributi, PCA, Discretizzazione, Campionamento. One-class classification.
7. Metodi probabilistici (0.25 CFU)
Reti bayesiane. Probability Density Estimation e Clustering. Modelli sequenziali e temporali (cenni).
8. Deep Learning (0.5 CFU)
Addestramento e valutazione delle prestazioni di reti deep, Convolutional Neural Networks, Autoencoders. Reti Neurali ricorrenti e GAN (cenni).
9. Oltre l'apprendimento supervisionato e non-supervisionato (0.25 CFU)
Semi-supervised learning. Multi-instance Learning.
10. Ensemble Learning (0.25 CFU)
Bagging, Randomization, Boosting, Stacking, ECOC.
11. Questioni etiche (0.25 CFU)
Privacy, Federated Learning. Fairness e Bias nel Machine Learning.
Parte Esercitativa : Utilizzo di tool open source e/o commerciali (e.g., Knime, Weka).

Ciascuno studente dovrà sviluppare un progetto per la risoluzione di un problema di regressione o classificazione, scelto tra quelli presentati durante il corso dal docente (di norma saranno presentati 2 problemi). La prova orale consta di un colloquio, che include anche la discussione dell’elaborato progettuale sviluppato.
La discussione dell’elaborato progettuale pesa per 1/3 sulla valutazione, mentre la prova orale per 2/3.
Il voto finale dell’insegnamento sarà ponderato in base ai CFU di ciascun modulo e quindi così composto:

• Modulo di Algoritmi e Strutture Dati, 6 CFU, 50%
• Modulo di Machine Learning, 6 CFU, 50%.

Data mining: practical machine learning tools and techniques . —5th ed. /Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal, James Foulds. —The Morgan Kaufmann, 2025. ISBN: 9780443158889.

L’obiettivo di questo corso è di fornire agli studenti una conoscenza completa e approfondita dei principi e delle tecniche dell'intelligenza artificiale introducendo i problemi classici dell'IA, nonché i modelli e gli algoritmi utilizzati per affrontare questi problemi. Il programma del corso è diviso in tre parti. Nella prima saranno presentati algoritmi per la risoluzione di problemi di ricerca informata nello spazio degli stati, ricerca online ed in presenza di avversario. Nella seconda parte sarà analizzato il ragionamento e processo decisionale in caso di incertezza, discusso come rappresentare la conoscenza, inclusa la conoscenza incompleta e incerta del mondo reale; come ragionare logicamente con quella conoscenza usando le probabilità; come utilizzare questi modelli e metodi di ragionamento per decidere cosa fare. Nella terza parte saranno introdotte le problematiche relative a modelli distribuiti di decisione. In particolare saranno presentati approcci di teoria dei giochi per la modellazione di processi di decisione nel caso di interazioni non cooperative e le possibili applicazioni di tali tecniche a problematiche concrete.
Conoscenza e capacita' di comprensione: Il corso introduce i concetti relativi allo sviluppo, applicazione e validazione di algoritmi di intelligenza artificiale per l’apprendimento automatico e la ricerca di soluzioni.
Un approccio critico sull’utilizzo e la comprensione degli attuali algoritmi di intelligenza artificiale è tra gli obbiettivi principali del corso. In particolare, identificare la corretta metodologia e valutarne l’impatto sul caso di applicazione specifico.
Capacita' di applicare conoscenza e comprensione: Le conoscenze teoriche presentate vengono introdotte in prospettiva sia della corretta applicazione degli algoritmi allo stato dell’arte ed interpretazione dei risultati ottenuti, sia nella comprensione delle loro motivazioni per lo sviluppo di nuove soluzioni computazionali.

Introduzione al Corso • Cenni Storici Problem Solving • Tipologia di problemi: Problemi a Stato singolo, Problemi a stato multiplo, Problemi dipendenti da situazioni, Imprevedibili a priori, Problemi di tipo esplorazione. • Strutture di rappresentazione e formalizzazione del problema per le prime tre tipologie. • Strategie di ricerca non informata per le prime due tipologie di ricerca: o Ricerca in ampiezza e a costo uniforme; o Ricerca in profondità, e con iterazione della profondità; o Proprietà e confronto delle strategie di ricerca. • Strategie di ricerca e euristiche per le prime due tipologie di ricerca: o Greedy best-first, A* ed euristiche ammissibili; o Euristiche consistenti; o Iterative Deepening A*; o Algoritmi di ricerca locale: Hill-climbing search, Local beam search, Simulated Annealing and Genetic. • Giochi a più agenti: giochi a somma zero visti come problemi da risolvere; o Funzioni di utilità e strategia minimax; o Alpha beta pruning. • Soluzione di problemi con vincoli: CSP o CSP come problema di ricerca; o Backtracking per CSP, ordinamento di variabili e valori; o Propagazione dei vincoli: Forward Checking e AC3; o Struttura del problema; o Ricerca locale. Ragionamento e rappresentazione con conoscenza incerta • Rappresentazione dell’incertezza: o Introduzione a decision theory, nozioni base di probabilità, eventi atomici, probabilita’ incondizionata, Joint probabilità distribution, probabilita’ condizionale; o Indipendenza e indipendenza condizionata, teorema di Bayes; • Reti bayesiane: o Introduzione e tabelle delle probabilità condizionate; o Rappresentazione delle relazioni e delle probabilità condizionate; o Inferenze esatte: enumerazione, eliminazione di variabili. • Ragionamento in condizioni di incertezza: o Azioni e utilità attesa, decision networks e rappresentazione di un problema di decisione, valore dell’informazione; o Problemi con decisioni in sequenza, utilità degli stati e equazione di Bellman, policy, soluzione con iterazione del valore, soluzione con iterazione della policy. Sistemi multi-agente e game theory • Introduzione ai sistemi multi-agente; • Introduzione al game theory: o Giochi in forma normale e soluzioni o Strategie pure e miste; equilibri di Nash, Pareto ottimalita', social welfare; o Giochi a somma zero e rappresentazione estesa; o Calcolo di equilibi e dominanze; o Soluzioni di giochi a somma zero, minmax e alfabeta. o Giochi ripetuti. • Computational social choice: o Meccanismi di votazione: funzioni di scelta sociale e social welfare; o Proprieta' e teorema di Arrow; o Muller-Satterthwaite theorem; o Funzioni di ranking e PageRank; o Votazioni Strategiche e mechanism design (strategie dominanti e Bayes Nash); • Allocating scarce resources: o Meccanismi d'asta, aste per item individuali (asta Inglese, asta Olandese, asta Giapponese, Vickrey); o Strategie dominanti ed equilibri nei meccanismi d'asta; • Reaching agreements: o Negoziazione, domini; o Negoziazione in domini task oriented; o Approcci game teoretici, protocolli con offerte alternate; o Approcci euristici, protocollo di concessione monotona, strategia di Zeuthen; o Negoziazione multi-issue.

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione

Stuart J. Russell e Peter Norvig
Intelligenza artificiale. Un approccio moderno

Il corso ha l’obiettivo di illustrare gli aspetti fondamentali della modellistica numerica d’interesse per un ingegnere elettrico e dell’Informazione, fornendo gli strumenti di base per la risoluzione al calcolatore di problemi di campi, circuiti e sistemi dinamici. L’approccio seguito si propone di mediare tra il rigore richiesto da una corretta impostazione matematica e la necessità di condurre gli allievi a risolvere problemi applicativi più direttamente legati ai loro specifici interessi. Il linguaggio di programmazione MATLAB® è utilizzato nel laboratorio numerico.
Conoscenza e capacita' di comprensione: Il corso intende fornire agli studenti le conoscenze e gli strumenti metodologici necessari per affrontare la risoluzione di problemi di campi, circuiti e sistemi dinamici al calcolatore e valutare criticamente le caratteristiche attese di una soluzione numerica di un problema, quale anche quella ottenibile direttamente con codici commerciali.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di essere in grado di utilizzare concretamente le conoscenze acquisite, dando prova di saperle applicare nella impostazione della soluzione di un problema al calcolatore e nella valutazione critica delle caratteristiche attese dalla soluzione numerica, quale anche quella ottenibile direttamente con codici commerciali.

1. Problemi integro-differenziali e Sistemi dinamici
Modello astratto di sistema dinamico, semi-discretizzazione, sistemi a parametri concentrati e distribuiti, l’esempio del modello circuitale. Modelli descritti da equazioni alle derivate parziali per campi scalari e vettoriali: equazioni di Laplace e Poisson, equazioni di diffusione, di Helmholtz, delle onde. Condizioni al contorno. Unicità della soluzione, alcuni risultati per problemi di elettromagnetismo. Cenni alle equazioni integrali, esempi in Elettrostatica e Magnetostatica.
2. Richiami e complementi di Algebra Lineare
Spazi lineari a dimensione finita. Matrici. Matrici simmetriche, hermitiane, normali, unitarie, ortogonali. Determinante. Autovalori ed autovettori, diagonalizzazione. Localizzazione degli autovalori, teoremi di Gershgorin. Dominanza diagonale. Matrici definite positive. Prodotto scalare. Norme vettoriali. Quoziente di Rayleigh–Ritz. Equivalenza e continuità delle norme. Norme matriciali. Decomposizione a valori singolari (SVD). Condizionamento di una matrice.
3. Metodo delle Differenze Finite
Approssimazione degli operatori differenziali agenti su un campo scalare, esempio su operatori derivata prima e seconda. Proprietà strutturali dell’operatore differenziale discretizzato, confronto con l’operatore continuo ed errore di discretizzazione. Soluzione alle differenze finite dei problemi di Dirichlet e di Neumann per l’equazione di Poisson, caso monodimensionale ed estensione ai casi multi-dimensionali. Consistenza, stabilità e convergenza.
4. Metodo degli elementi finiti
Formulazioni del problema di campo, forma forte e debole. Formulazione debole dell’equazione di Poisson, caso monodimensionale e multi-dimensionale. Metodo di Galerkin, proprietà strutturali della matrice dei coefficienti, trattamento delle condizioni al contorno di tipo Dirichlet e di tipo Neumann. Metodo degli elementi finiti (FEM), funzioni di forma lineari a tratti. Convergenza del metodo degli elementi finiti. Cenni a metodi FEM non Galerkin.
5. Integrazione numerica
Approssimazione numerica di integrali definiti. Formula dei rettangoli, formula dei trapezi, formula di Simpson. Errore di discretizzazione. Formule di Gauss-Legendre.
6. Sistemi di equazioni algebriche lineari
Metodi diretti, eliminazione di Gauss. Fattorizzazioni LU e di Cholesky. Matrici sparse e bandate. Metodi iterativi, velocità di convergenza e arresto dell’iterazione. Metodi di Jacobi, Gauss-Seidel, di rilassamento. Convergenza e stima dell’errore. Metodi del gradiente e del gradiente coniugato. Cenni al problema del condizionamento, regolarizzazione alla Tihonov. Sistemi di equazioni algebriche ai minimi quadrati, soluzione mediante SVD, matrice pseudo-inversa.
7. Sistemi di equazioni algebriche non lineari
Soluzione di una singola equazione algebrica non lineare, metodi iterativi per la determinazione di soluzioni approssimate. Metodo di bisezione. Metodi di punto fisso. Metodo di Newton-Raphson. Convergenza, stima dell’errore, velocità di convergenza. Estensione dei metodi iterativi a sistemi di equazioni algebriche non lineari. Cenni ai problemi di ottimizzazione.
8. Sistemi di equazioni differenziali a derivate ordinarie
Soluzione numerica di una singola equazione differenziale. Metodi derivanti da sviluppo in serie, espliciti e impliciti. Metodi di Eulero esplicito, implicito, metodo Theta. Errore di discretizzazione locale. Consistenza del metodo. Studio della convergenza. Errore globale e stabilità numerica. Influenza degli errori di arrotondamento. Estensione alla soluzione di sistemi di equazioni differenziali. Cenni ai metodi di Runge-Kutta. Cenni agli schemi numerici conservativi.
9. Introduzione al Machine Learning con Reti Neurali
Elementi di unsupervised learning, analisi alle componenti principali. Reti Neurali, generalità. Percettrone ad uno o più layers. Proprietà di interpolazione universale. Algoritmo Stochastic Gradient Descent. Introduzione al toolbox Matlab sulle reti neurali, esempi di problemi di interpolazione. Algoritmo di Back Propagation per la minimizzazione della loss function di una rete neurale. Automatic Differentiation, modalità forward e backward, grafo computazionale.
10. Soluzione numerica delle Equazioni di Maxwell
Equazioni di Maxwell nel limite stazionario e quasi-stazionario, equazione della diffusione del campo magnetico. Discretizzazione spaziale con il metodo delle differenze finite e degli elementi finiti. Integrazione temporale col metodo di Eulero Esplicito, Implicito e Theta. Stabilità. Soluzione numerica dell’equazione delle onde. Formulazioni agli elementi finiti per le Equazioni di Maxwell, cenni agli edge elements.

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione

Testi di riferimento
[1] F. Trevisan, F. Villone, Modelli numerici per campi e circuiti, SGE Padova
[2] G. Miano, Modelli Numerici per i Campi, Napoli, settembre 2009, dispense disponibili in
formato pdf sul sito www.elettrotecnica.unina.it alla pagina del corso del prof. G. Miano
[3] Ulteriore materiale didattico (incluso il software utilizzato nelle ore di laboratorio) èdisponibile
sul sito www.elettrotecnica.unina.it o su TEAMS all’indirizzo del corso. Eventuali ulteriori riferimenti
potranno essere dati durante lo svolgimento del corso.
Testi di consultazione
[1] V. Comincioli. Analisi numerica: Metodi Modelli Applicazioni. Nuova edizione, in formato ebook,
981 pp. Apogeo, Feltrinelli Milano, 2005.
[2] A. Quarteroni, R. Sacco, F. Saleri, Numerical Mathematics (Texts in Applied Mathematics
Book 37) Springer 2017.
[3] A. Quarteroni, Numerical Models for Differential Problems (MS&A Book 16) 3rd Edition, Springer 2017.

Lo studente dovrà mostrare di aver acquisito gli strumenti metodologici fondamentali della teoria dei campi. Dovrà inoltre dimostrare conoscenza delle principali tecniche numeriche per la soluzione di semplici equazioni differenziali del primo e del secondo ordine, discutendone accuratezza e stabilità.
Conoscenza e capacita' di comprensione: Lo studente dovrà mostrare di aver acquisito gli strumenti metodologici fondamentali della teoria dei campi. Dovrà inoltre dimostrare conoscenza delle principali tecniche numeriche per la soluzione di semplici equazioni differenziali del primo e del secondo ordine, discutendone accuratezza e stabilità.
Capacita' di applicare conoscenza e comprensione: Lo studente dovrà mostrare di saper applicare le conoscenze acquisite all’impostazione di semplici problemi e alla loro risoluzione numerica, facendo riferimento a schemi algoritmici relativi alle geometrie più semplici e agli approcci utili all’accelerazione del calcolo.

Descrizione microscopica e macroscopica di un sistema fisico. Il concetto di Campo nella descrizione dei sistemi continui. Il Campo Elettromagnetico. Densità di carica e di corrente. Le Equazioni di Maxwell. La Forza di Lorentz. Il Campo Elettromagnetico ed il concetto di energia. Impostazione di un problema elettromagnetico [1 CFU].
I mezzi materiali e l’interazione con i fenomeni elettromagnetici. Propagazione libera e propagazione guidata [2 CFU].
Soluzione numerica di un problema di dinamica dei campi: gli approcci FEM, FDTD e MoM. Accelerazione algoritmica del calcolo numerico. Accelerazione del calcolo numerico basata sull’impiego di piattaforme per High Performance Computing. Il GPU Computing [3 CFU].

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione

Si veda sito web del docente della materia

Il corso si propone di introdurre gli studenti ai fondamenti dell’analisi e del controllo dei sistemi non lineari e di illustrarne le applicazioni più rappresentative. Si introdurranno inoltre i problemi del consenso e del controllo di coordinamento di reti e di sistemi complessi.
Conoscenza e capacita' di comprensione: Il percorso formativo intende fornire agli studenti gli strumenti metodologici per l’analisi della dinamica di sistemi nonlineari e la sintesi di strategie di controllo nonlineare. Verranno introdotti i concetti fondamentali per sviluppare tali strategie e analizzarne performance, robustezza e stabilità. Lo studente dovrà dimostrare di avere appreso come analizzare un sistema descritto da un campo vettoriale nonlineare, di essere in grado di sviluppare il progetto di un controllore per questa classe di sistemi e di validarne l’efficacia al calcolatore o attraverso prototipi sperimentali.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di sapere applicare metodi avanzati per l’analisi dei sistemi nonlineari e la sintesi di strategie di controllo per lo studio di un sistema di interesse procedendo attraverso tutte le fasi richieste dall’analisi a ciclo aperto alla validazione numerica del sistema di controllo nonlineare. Lo studente dovrà mostrare la capacità di sviluppare strategie di controllo nonlineare per un sistema applicativo di interesse progettandone le caratteristiche, analizzandone la performance, la stabilità e la robustezza e procedendo alla implementazione numerica del sistema progettato al calcolatore.

• Introduzione ai sistemi dinamici non lineari
• Applicazioni rappresentative e casi studio
• Analisi nel piano delle fasi: equilbri e cicli limite
  o Il metodo della linearizzazione
  o esistenza di cicli limite ed altri insiemi invarianti
• Stabilità nello stato
  o metodo di Lyapunov diretto ed indiretto
• Stabilità esterna e passività
• Stabilità strutturale e teoria delle biforcazioni
• Introduzione al problema della sintesi di controllori nonlineari
• Controllo Geometrico e Feedback Linearization
• Controllo Ibrido e discontinuo
• Controllo Intelligente e Adattativo
• Introduzione al controllo di sistemi su rete e sistemi multiagente

La prova di esame si basa sulla discussione di un elaborato progettuale svolto su un sistema applicativo scelto dallo studente ed è rivolta a verificare la capacità dello studente di analizzare un sistema nonlineare e progettare strategie di controllo come quelle presentate durante il corso. La prova consiste nella consegna di un elaborato progettuale che viene poi discusso insieme ad approfondimenti sugli argomenti trattati nel corso.

Appunti delle lezioni disponibili sul sito docenti;
Li, Slotine, "Applied Nonlinear Control", Prentice Hall, 1991
Khalil, "Nonlinear Systems", Prentice Hall 2002
Strogatz, "Nonlinear Dynamics and Chaos", Perseus publishing, 1994

Obiettivo dell’insegnamento è quello di fornire agli studenti le nozioni di base per lo studio matematico dei sistemi dinamici non lineari descritti da equazioni differenziali ordinarie e di illustrare la teoria mediante alcuni esempi rappresentativi dalle applicazioni ingegneristiche.
Conoscenza e capacita' di comprensione: Il percorso formativo intende fornire agli studenti le conoscenze e gli strumenti metodologici di base necessari per analizzare sistemi dinamici non lineari descritti da equazioni differenziali ordinarie. Tali strumenti consentiranno agli studenti di comprendere il legame tra equazioni differenziali e loro soluzioni e le loro proprietà fondamentali (esistenza, unicità, dipendenza dalle condizioni iniziali e dai parametri, stabilità alla Lyapunov, stabilità strutturale).
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di essere in grado di analizzare un qualsiasi sistema fisico descritto da equazioni differenziali ordinarie, mediante l’uso di metodi qualitativi e di metodi numerici presentati durante il corso. In particolare, deve saper ricavare le soluzioni del sistema, analizzarne la stabilità locale mediante l’applicazione di metodi analitici basati sulla teoria di Lyapunov, ricavare una descrizione qualitativa della dinamica globale del sistema, analizzare la dipendenza dai parametri di dette soluzioni e classificare le eventuali biforcazioni. Inoltre, deve saper utilizzare ambienti di calcolo numerico (ad es. MATLAB) per l’analisi quantitativa della dinamica del sistema.

Introduzione: modellistica dei sistemi fisici, sistemi lineari e non lineari; Sistemi planari: punti di equilibrio, cicli limite, ritratto delle fasi, esistenza di orbite periodiche e biforcazioni; Proprietà fondamentali: esistenza ed unicità di soluzioni, dipendenza dalle condizioni iniziali; Stabilità alla Lyapunov e applicazioni; Dinamica non lineare e teoria delle biforcazioni: biforcazioni locali di sistemi dinamici a tempo discreto e a tempo continuo, biforcazioni globali, caos deterministico; Analisi di sistemi perturbati; Sistemi dinamici discontinui e loro stabilità; Introduzione al controllo non lineare a retroazione.

La prova orale consiste in domande teoriche sugli argomenti presentati durante il corso ed esercizi numerici volti ad accertare la capacità dello studente ad applicare quanto appreso.
L’elaborato progettuale è vincolante ai fini dell’accesso alla prova orale e non concorre alla formazione del giudizio finale.
In sostituzione della prova orale, per i corsisti sono previste due prove intercorso, di ugual peso, a risposta libera e con esercizi numerici. Le prove si terranno a metà e a fine corso e verteranno esclusivamente sugli argomenti teorici presentati nelle lezioni ad esse antecedenti.

Steven H Strogatz, Nonlinear dynamics and chaos, Westview Press, (2001).
Hassan Khalil, Nonlinear systems, (3rd edition) Prentice-Hall (1996).
Appunti da lezione.

Il corso, interamente a carattere laboratoriale, si propone di fornire agli studenti competenze avanzate sul dimensionamento e sull'implementazione di sistemi real-time dedicati al controllo di azionamenti elettrici destinati ai sistemi di automazione industriale e alla robotica.
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare di essere in grado di individuare le problematiche relative all’implementazione real-time di un algoritmo di controllo per azionamenti elettrici e di valutare le priorità e le regole di interconnessione dei task sincroni e asincroni necessari per lo svolgimento ottimale del processo, dimostrando di cogliere le relazioni tra i compiti elementari del processo e le corrispondenti unità hardware.
Capacita' di applicare conoscenza e comprensione: Lo studente deve essere in grado di implementare sulla piattaforma hardware di riferimento un algoritmo di controllo per azionamenti elettrici affiancando alle procedure di basso livello anche la capacità del sistema di assolvere all’esecuzione di strategie di alto livello a mezzo dei protocolli di comunicazione tipicamente utilizzati in questo contesto.

Generalità sulle piattaforme di controllo in tempo reale.
Descrizione delle periferiche principali: PWM, ADC, DAC, QEP, UART, SPI, CAN, Digital I/O.
Accenni all’architettura del software: suddivisione in task sincroni e asincroni, priorità di esecuzione, interrupts.
Prototipazione rapida di un controllo per azionamenti elettrici: dallo schema Simulink all’implementazione su piattaforma di controllo.
Case study: implementazione del controllo sul sistema LAUNCHXL-F28379D della Texas Instruments.

L’esame consiste nella verifica del funzionamento di un sistema di controllo per un azionamento elettrico con motore asincrono o brushless realizzato e implementato da ciascuno studente.

Appunti dalle lezioni
N. Mohan: Advanced Electric Drives: Analysis, Control, and Modeling Using MATLAB/Simulink , NJ, USA: Wiley, 2014.
R. W. De Doncker, D. W. J. Pulle, and A. Veltman: Advanced Electrical Drives , 2nd ed. Cham, Switzerland: Springer, 2020.
Texas Instruments: TMS320F2837xD Technical Reference Manual

L’obiettivo del corso è quello di fornire allo studente le conoscenze relative ai problemi di navigazione e pianificazione per robot mobili. Durante il corso, lo studente apprenderà le principali tecniche ed i principali algoritmi per la navigazione, la pianificazione di percorso e di moto, la pianificazione di task, e l’esecuzione dei piani. Lo studente apprenderà le principali tecniche di programmazione per lo sviluppo di un sistema di pianificazione ed esecuzione.
Conoscenza e capacita' di comprensione: Il percorso formativo ha lo scopo di fornire agli studenti gli strumenti metodologici per lo sviluppo di sistemi di navigazione, pianificazione ed esecuzione per robot mobili. Lo studente deve dimostrare di aver appreso quali sono i principali problemi e le tecniche per la navigazione autonoma e la pianificazione di percorso e del moto. Lo studente dovrà inoltre dimostrare di aver acquisito le conoscenze necessarie per la comprensione e l’utilizzo delle principali tecniche di pianificazione di moto/task/missione e per l’esecuzione di piani complessi.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di essere in grado di sviluppare autonomamente un sistema di pianificazione e navigazione e di saperlo implementare in linguaggio di programmazione C++. Lo studente dovrà inoltre essere capace di predisporre l’ambiente di sviluppo e di simulazione.

Introduzione alla robotica mobile, problema della navigazione, principali algoritmi di navigazione. Pianificazione del percorso e di moto, rappresentazione dello spazio, metodi di ricerca su grafo, A*, metodi basati sul campionamento, PRM, RRT. Stack di navigazione in ROS e ROS2, principali API, ambienti di simulazione. Pianificazione di task e missione, rappresentazione del dominio di pianificazione, pianificazione classica, STRIPS, pianificazione ad ordinamento totale, pianificazione ad ordinamento parziale, pianificazione gerarchica. Esecuzione del piano, macchine a stati, sistemi behavior-based, behavior trees.

Il campo sarà definito secondo l’aggiornamento delle Linee guida del PQA in corso di predisposizione

Appunti delle lezioni disponibili sul sito docenti;
Russell, Stuart J., and Peter Norvig. “Artificial intelligence: a modern approach”. Pearson, 2010.
LaValle, Steven M. “Planning algorithms”. Cambridge university press, 2006.

I recenti sviluppi della ricerca sulla fusione a confinamento magnetico, che vede diversi dispositivi sperimentali pronti per entrare in funzione, in avanzato stato di costruzione o in fase di progettazione, porta ad un aumento significativo della richiesta del numero di esperti in ingegneria della fusione nei prossimi anni.
La prima parte di questo corso specialistico è focalizzata sugli elementi di base della fisica dei plasmi e sugli aspetti progettuali delle macchine per la fusione controllata, con particolare riferimento agli aspetti elettromagnetici, magnetoidrodinamici e di controllo.
La seconda parte del corso si prefigge l'obiettivo di fornire agli studenti i concetti base per l'applicazione di metodologie di ottimizzazione e controllo magnetico al progetto dello scenario in un tokamak e al controllo in retroazione della forma, della corrente e della posizione di un plasma.
Le lezioni teoriche sono accompagnate da esempi numerici applicativi sui principali tokamak di riferimento a livello internazionale.
Conoscenza e capacita' di comprensione: I dispositivi per la fusione nucleare sono tra le macchine più complesse mai concepite dal genere umano, dato il coinvolgimento di tutti i campi della scienza e dell'ingegneria.
La prima parte del corso si propone di fornire agli studenti le conoscenze di base della fusione nucleare, della fisica del plasma e della magnetoidrodinamica, concentrandosi sulla modellazione del plasma ai fini del controllo magnetico e sui principali aspetti da considerare nella progettazione di un dispositivo di tipo tokamak.
La seconda parte del corso si prefigge l'obiettivo di fornire agli studenti i concetti base per l'applicazione di metodologie di ottimizzazione e controllo magnetico al progetto dello scenario in un tokamak e al controllo in retroazione della forma, della corrente e della posizione di un plasma.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di essere in grado di utilizzare concretamente le conoscenze acquisite, dando prova di saperle applicare nella impostazione della soluzione di un problema di analisi, di ottimizzazione, di controllo o di progetto.

PRIMA PARTE
1.1 Introduzione
Obiettivi della fusione termonucleare controllata.
1.2 Fusione termonucleare controllata
Principali reazioni di fusione nucleare. Bilancio energetico di un plasma termonucleare: il criterio di Lawson. Principio di funzionamento delle principali macchine a confinamento magnetico. Macchine a struttura lineare e toroidale. Classificazione delle macchine toroidali: il Tokamak, l'RFP. Prospettive della fusione nel quadro del problema energetico. .
1.3 Il Tokamak
I componenti fondamentali: prima parete; limiter; sistema elettromagnetico toroidale e poloidale; sistemi di riscaldamento addizionale; sistemi di diagnostica, acquisizione dati, identificazione, stabilizzazione e controllo. Esperimenti in corso e in via di progetto. Il progetto del sistema elettromagnetico. Il progetto del sistema di controllo.
1.4 Il modello MHD
Richiami di Elettromagnetismo, Termodinamica e Fluidodinamica. Moto di una particella carica.Il modello MHD ideale: condizioni al contorno, leggi di conservazione locali e globali, conservazione del flusso. Equilibrio: il teorema del viriale. Configurazioni monodimensionali e bidimensionali; il caso toroidale: l’equazione di Grad-Shafranov. Il problema dell'equilibrio MHD: caso diretto e caso inverso. Stabilità: le condizioni di stabilità: il principio dell'energia; classificazione delle instabilità. Modello linearizzato della risposta di plasma ai fini del controllo.
SECONDA PARTE
2.1 Problemi inversi e ottimizzazione
Richiami sui problemi di ottimizzazione. Condizioni analitiche del 1° e 2° ordine per problemi non vincolati. Cenni aglialgoritmi di ricerca numerica dell’ottimo. Esempi di applicazione dell'ottimizzazione di un pattern di correnti nei circuiti di controllo di un tokamak per ottenere un campo di trasformatore. Esempi di applicazione alla stima della funzionedi trasferimento di un particolare canale ingresso-uscita per il controllo magnetico di un tokamak. Problemi di ottimizzazione vincolata con vincoli di uguaglianza. Condizioni analitiche. Problemi quadratici con vincoli lineari.Metodi numerici per problemi vincolati. Esempio del controllo ottimo a ciclo aperto della tensione di alimentazione di un circuito attivo per l'inseguimento di un profilo di campo o di flusso. Impostazione del problema generale di ottimizzazione delle correnti di scenario in un Tokamak. Il problema dell’ottimizzazione della fase di Breakdown. Controllo predittivo basato sul modello nel tempo discreto. Esempio applicativo.
2.2 Controllo in feedback
Il problema del controllo magnetico in feedback. Applicazioni di tecniche di controllo classico.Esempio del controllo della corrente di plasma e della stabilizzazione verticale. Cenni al controllo ottimo in catenachiusa. Principio del massimo e teoria di Hamilton-Jacobi-Bellmann. Controllo ottimo lineare quadratico. Filtro di Kalman e controllo LQG. Controllo robusto H-infinito. Applicazioni del controllo ottimo al controllo delle correnti e della forma del plasma in un tokamak.
2.3 Identificazione
Problemi di stima dell’equilibrio e di ricostruzione delle grandezze magnetiche di interesse per il controllo. Il filtro di Kalman nel tempo discreto. Esempio di applicazione alla stima delle correnti indotte nei conduttori passivi a partire dalle misure magnetiche.

Il voto finale, espresso in trentesimi, terrà conto di ambedue le fasi dell'esame.
Tre domande orali sulla prima parte. Discussione di un elaborato sviluppato sugli argomenti della seconda parte

Materiale didattico
Materiale didattico reso disponibile sul sito www.elettrotecnica.it o su MS Teams.
Testi di consultazione
F.F.Chen, Introduction to Plasma Physics and Controlled Fusion, Plenum Press, New York, 2nd ed., 1984, vol.1.
J. Wesson, Tokamaks, Clarendon Press - Oxford, 3rd ed., 2004.
J.P. Freidberg, Plasma Physics and Fusion Energy, Cambridge University Press, 2007.

The Power Devices and Circuits course aims to present the main problems, together with the related circuit solutions, connected to the conditioning of electric power in all those applications in which the conversion efficiency is of fundamental importance, regardless of the amount of power actually managed, and therefore in voltage regulators used in the microchips as well as in the power supplies for large electrical loads. As a matter of fact, if on the one hand the growing diffusion of battery-powered portable electronic devices raises the problem of the limited energy available inside them and the consequent target of maximizing efficiency to prolong their functioning for as long as possible, on the other hand the global climate emergency requires more and more attention to the efficient use of electricity in large appliances or industrial plants. In these, as well as in many other applications in between, modern solid state devices and electronic circuits play an essential role, and their knowledge and optimization are the central object of this course.
Conoscenza e capacita' di comprensione: After passing the exam, students own advanced knowledge of the most modern semiconductor electronic devices used in power electronics and their optimal use in circuits for the static conversion of power. Furthermore, he/she understands the impact of the physical and operational limits of these devices on the fundamental electrical characteristics of the power conditioning circuits, and is able to identify the most efficient solutions depending on the application in question. Finally, he/she understands the impact of temperature control techniques on the correct operation of said devices and circuits.
Capacita' di applicare conoscenza e comprensione: In order to pass the exam, it is necessary to be able to explain the operation of modern semiconductor devices used in power electronics, illustrating, even in a comparative way, their respective electrical characteristics, physical limits, advantages and disadvantages that can derive from their use in various contexts. It is also necessary to know the properties of the main power conditioning circuits, understanding which of these properties are most relevant depending on the required application. Finally, it is necessary to have acquired good familiarity with the computer aided design (CAD) tools normally used in power electronics (SPICE and similar environments).
Students are able to apply the theoretical concepts into real life circuits, identifying merits and limitations af different device or circuit solutions invarious contexts of application.

Power semiconductor devices. Rectifiers: PiN diode and Schottky diode. Controlled rectifiers: SCR, GTO. Bipolar controller devices: BJT. Voltage controller devices: MOS and IGBT. Current and voltage limitations. Superjunction devices. Transient behavior for power semiconductor devices. Integrated power devices. Wide bandgap materials. GaN power devices. Safe Operating Area. Power conversion. Power efficiency. Static and dynamic power dissipation. Circuits: linear regulators, Low Drop Out (LDO) regulators, bandgap reference circuits, DC/DC converters: Buck, Boost, Buck-Boost, Flyback. Inverters DC/AC. Driving circuits. Device ratings. Thermal impedance and thermal resistance. Device cooling starategies. Case studies: maximum power point trackers (MPPT) for photovoltaic applications, inverters for automotive powertrains, wireless power chargers.

To pass the exam with a minimum score of 18/30, the student must demonstrate
at least a basic level of knowledge and competence regarding the subject matter.
A score between 20/30 and 24/30 is awarded when the student is able to
correctly describe the characteristics and applications of the devices and circuits.
A score between 25/30 and 30/30 is awarded when the student is able to
discuss—including in writing—the operating principles of the devices and circuits,
demonstrating a strong grasp of the theoretical aspects. Distinction (cum laude)
may be awarded to students who demonstrate excellent competence.

Suggested book:
B. J. Baliga, Modern power devices
Slides used during the lectures, notes provided by the teacher, video recordings of lectures.

Nella teoria del controllo classico dei sistemi dinamici viene considerato prevalentemente il controllo di sistemi lineari tempo-invarianti (LTI) con un singolo ingresso e una singola uscita (SISO), con riferimenti polinomiali e/o sinusoidali e con specifiche di progetto prevalentemente sull’errore a regime, sulla sovraelongazione, sulla banda passante e sul margine di fase e/o di guadagno .
Al tempo d’oggi, però, si avverte l’esigenza di forzare i più svariati sistemi (ad esempio, i sistemi meccanici, elettrici, elettromeccanici, termici, fluidodinamici, pneumatici, chimici, biologici, medicali, economici) a seguire segnali di riferimento con andamenti qualsiasi, purché sufficientemente regolari (ad esempio, i segnali costanti a tratti o lineari a tratti, in alcuni casi ulteriormente regolarizzati con appropriati prefiltri, che sono molto ricorrenti nella pratica ingegneristica e facilmente generabili mediante tecnologie digitali). In merito, si pensi ai numerosi processi meccatronici, che devono essere controllati, con l’ausilio delle moderne tecnologie digitali e wireless, in modo da comportarsi come operai qualificati che lavorano velocemente, accuratamente ed economicamente, nonostante la presenza di variazioni parametriche, non linearità, disturbi ed errori di misura, e ai sistemi di trasporto (terrestri, marini ed aereospaziali).
Inoltre, molti sistemi presentano ritardi interni ed esterni non trascurabili, incertezze parametriche non facilmente riconducibili a variazioni di fase e/o di ampiezza della risposta in frequenza, elementi tempo varianti e/o di saturazione, attuatori di tipo impulsivo o multilivello e, per di più, sono soggetti a disturbi non convenzionali.
Sulla base delle considerazioni di cui sopra, il corso ha lo scopo di fornire agli studenti gli strumenti metodologici ed operativi per progettare vari controllori robusti per un sistema lineare o non lineare SISO o con più ingressi e più uscite (MIMO), a tempo continuo o discreto, con incertezze parametriche e/o strutturali, con ritardi interni e/o esterni, soggetto a disturbi non convenzionali e ad errori di misura, in modo che, con segnali di controllo accettabili, insegua con precisione prefissata un segnale di riferimento qualsiasi purché sufficientemente regolare.
Tali strumenti sono particolarmente utili per controllare efficacemente sistemi ingegneristici di svariata natura, come sarà mostrato nella parte applicativa del corso.
Conoscenza e capacita' di comprensione: Il percorso formativo intende fornire agli studenti gli strumenti metodologici ed operativi per potere scegliere e progettare dei controllori avanzati, robusti ed efficaci sulla base dei processi da controllare, delle specifiche sempre più stringenti richieste in ambito ingegneristico e delle moderne tecnologie.
Capacita' di applicare conoscenza e comprensione: Al termine del corso, gli studenti saranno in grado di applicare con consapevolezza le metodologie di controllo avanzato proposte utilizzando come strumento operativo i programmi di progettazione in Matlab/Simulink forniti. Inoltre, essi saranno in grado di ampliare autonomamente gli ambiti di applicazione delle metodologie e degli strumenti di progettazione forniti e di aggiornarsi riguardo l’avanzamento delle metodologie e delle tecnologie di controllo.

• Tipi di segnali di riferimento. Segnali di riferimento a tempo minimo con vincoli sulla derivata prima e seconda. Prefiltri e/o cambiamenti di scala per ottenere segnali di riferimento sufficientemente regolari (con prefissati valori delle derivate i-esime, i=1,…,j, j=1,…,4).
• Sistemi maggioranti nel dominio della frequenza.
• Sistemi maggioranti nel dominio del tempo.
• Progettazione rapida, via sistema maggiorante nel dominio della frequenza, di controllori di tipo PI, PID, PIDR (per inseguire riferimenti con derivata prima limitata) e PI2, PI2D, PI2DR, PI2D2, PI2D2R (per inseguire riferimenti con derivata seconda limitata) di processi LTI (con eventuali non linearità addizionali limitate) SISO, con ritardi interni e/o esterni, con incertezze parametriche e/o strutturali e soggetti a disturbi con derivata prima o seconda limitata, sia quando si dispone di un modello analitico del sistema da controllare sia quando si dispone di semplici prove sperimentali.
• Progettazione rapida di controllori PI (per inseguire riferimenti con derivata prima limitata) di processi LTI (con eventuali non linearità addizionali limitate) MIMO, con ritardi interni e/o esterni, con incertezze parametriche e/o strutturali e soggetti a disturbi con derivata prima limitata.
• Progettazione, via sistema maggiorante nel dominio del tempo, di controllori robusti di sistemi MIMO LTI a tempo discreto e continuo, con eventuali non linearità addizionali e incertezze parametriche limitate di tipo rapporto di funzioni multi-affini (per inseguire segnali di riferimento generici con derivata discreta prima o seconda limitata per i sistemi a tempo discreto, con derivata v -esima, v =1,2,3,…, limitata per i sistemi a tempo continuo, anche in presenza di disturbi generici purché sufficientemente regolari).
  Un approccio unificato, via sistema maggiorante nel dominio del tempo, che consente di progettare facilmente una famiglia di leggi di controllo robuste, smooth, semplici ed efficaci, per l’inseguimento di segnali di riferimento sufficientemente regolari, di tipo proporzionale - integrale di ordine h =0,1,2,3, - derivativo di ordine k =1,2 ( PI h D k ), per diverse classi di sistemi MIMO, non lineari e incerti, che includono i processi meccatronici e di trasporto terrestri, marini, aerei e spaziali, con attuatori (anche multilivello) e/o amplificatori ideali o reali, soggetti a disturbi limitati (o con derivata prima o seconda limitata) ed errori di misura anch’essi limitati.
• Algoritmi di controllo per l’intelligenza artificiale.
• Esempi ingegneristici illustrativi delle metodologie proposte riguardanti la gestione delle risorse idriche, impianti di condizionamento, serre, pannelli solari, veicoli e treni elettrici ibridi, sistemi di scansione di un’antenna, reti di telecomunicazioni, navi, droni, aerei, satelliti, mezzi di trasporto terrestri, semplici robot cartesiani e non, rigidi e flessibili, sistemi di movimentazione automatica, farmacocinetica, epidemie, chirurgia robotica.

Nella valutazione finale dello studente l’accertamento metodologico e la discussione dell’elaborato pesano in maniera pressoché paritaria.
Il colloquio orale consiste nell’accertamento della conoscenza e comprensione delle metodologie di controllo proposte e della progettazione dei relativi controllori.
È prevista anche la discussione di un elaborato progettuale concordato con il docente e che potrà essere svolto in gruppo o in collaborazione con aziende.

Pubblicazioni scientifiche:
L. Celentano, “A fast design method for robust industrial controllers of MIMO time-delay plants,” International Journal of Systems Science , vol. 57, no. 8, pp. 2336-2359, 2026.
L. Celentano, “A fast design technique for robust industrial controllers,” Journal of the Franklin Institute , vol. 360, no. 8, pp. 5689-5727, 2023.
L. Celentano, M.V. Basin, and P. Shi, “Majorant-based control methodology for mechatronic and transportation processes,” IEEE Access , vol. 9, pp. 157916-157939, 2021.
L. Celentano, M.V. Basin, and M. Chadli, “Robust tracking design for uncertain MIMO systems using proportional-integral controller of order v,” Asian Journal of Control , vol. 23, no. 5, pp. 2042-2063, 2021.
L. Celentano and M. Basin, “Optimal estimator design for LTI systems with bounded noises, disturbances, and nonlinearities,” Circuits, Systems, and Signal Processing , vol. 40, no. 7, pp. 1476-1489, 2021.
L. Celentano and M. Basin, “A robust tracking method for MIMO uncertain discrete-time systems: mechatronic applications,” IEEE Access , vol. 8, pp. 33113-33124, 2020.
Libri di testo:
L. Celentano, Robust tracking controllers design with generic references for continuous and discrete uncertain linear SISO systems, LAP LAMBERT Academic Publishing, Saarbrücken, Germany, 2012. ISBN: 978-3659291937
G. Celentano, L. Celentano – Modellistica, Simulazione, Analisi, Controllo e Tecnologie dei Sistemi Dinamici - Elementi di Controlli Automatici, vol. III, EdiSES Edizioni, 2015. ISBN: 978-8879598859
Dispense integrative:
G. Celentano, L. Celentano, “Progettazione di Controllori Industriali Robusti e Applicazioni”, 2025.
L. Celentano, G. Celentano, “Manuale dei Programmi per la Progettazione Rapida dei Controllori Industriali ed Esempi”, 2025.

L’allievo deve essere in grado di affrontare in modo innovativo la progettazione di un prodotto industriale che soddisfi nuove od evolute esigenze dell’utente. Inoltre, deve comprendere come l’innovazione nei materiali e nell’architettura di sistema consentano di migliorare le prestazioni riducendo l’impatto ambientale.
Conoscenza e capacita' di comprensione: Lo studente deve conoscere le metodologie specialistiche di progettazione e sviluppo di prodotti industriali complessi. Particolare attenzione viene data alla conoscenza di tecniche di progettazione concettuale rivolte all’innovazione sistematica di prodotto. Lo studente deve sviluppare capacità di comprensione del problema di progettazione e di generazione mediante pensiero creativo di soluzioni concettuali potenzialmente idonee alla sua risoluzione. Le conoscenze dei metodi dell’eco-design o del green design permettono di comprendere quale sia il potenziale impatto ambientale del prodotto fin dalla fase concettuale. Lo studio funzionale richiede la conoscenza dei concetti di usabilità, ergonomia, manutenibilità e sicurezza. L’allievo maturerà conoscenze relative alle metodologie di Design for Six Sigma con riferimento all’innovazione di prodotto e processo industriali ed alla progettazione robusta di assemblaggi meccanici.
Capacita' di applicare conoscenza e comprensione: Lo studente deve essere in grado di utilizzare i metodi di elicitazione delle esigenze del cliente per la classificazione dei bisogni e la definizione dei requisiti di progetto. La comprensione delle emozioni degli utenti e l’applicazione di tecniche quali Kano e Kansei per il loro studio è una capacità che viene maturata nel corso. Inoltre, lo studente deve avere capacità di utilizzare le tecniche di generazione dei concetti, i principi di progettazione di Suh e le tecniche di innovazione sistematica del TRIZ. Lo studente deve, inoltre, maturare capacità di selezione dei concetti mediante tecniche formali e di gruppo. Lo sviluppo dell’analisi funzionale e la scelta della migliore architettura di sistema sono l’obiettivo dell’impiego della modellazione funzionale e della prototipazione virtuale durante le fasi di sviluppo del prodotto. Lo studente infine deve essere in grado di valutare la robustezza della soluzione mediante simulazioni virtuali o test in laboratorio. Lo studente deve essere in grado di utilizzare formati e standard di interscambio dati e di predisporre l’elaborazione di modelli CAD/CAE per l’esecuzione di sessioni di design review in ambienti di Realtà Virtuale e per la simulazione di prestazioni meccaniche di interesse. Inoltre, mediante l’impiego di manichini virtuali lo studente deve essere in grado di effettuare valutazioni ergonomiche sul prodotto che viene considerato. Il corso richiede la maturazione di capacità di sintesi progettuali. L’impostazione del corso è innovativa e finalizzata alla maturazione dei concetti su casi studio di progettazione di prodotti anche complessi di interesse industriale. L’approccio è induttivo secondo il modello del laboratorio di progettazione, che prevede discussione dei progetti di gruppo, presentazione delle idee, confronto critico con il docente ed i tutor, con esperti ed autovalutazione.

Dall’esigenze dell’utente ai requisiti funzionali (2 CFU)
Storia della progettazione. Introduzione ai metodi di progettazione e sviluppo prodotto. Progettazione sistematica di Pahl e Beitz. Individuazione dei bisogni dei clienti mediante tecniche partecipative. Classificazione secondo Kano delle caratteristiche di qualità del prodotto. L’ingegneria emozionale ed il Kansei Engineering. Gli aspetti psico-cognitivi del design secondo Norman. Il Design Function Deployment: dalle esigenze degli utenti ai requisiti funzionali (QFD). Principi di eco design e progettazione sostenibile. User centered design, progettazione partecipativa e valutazione di ergonomia ed usabilità.
Metodi di progettazione concettuale e di innovazione di prodotto (3 CFU)
Tecniche di generazione di concetti. Brainstorming e Metodo 6-3-5. Tecniche di sviluppo della creatività. Principi di progettazione di Suh ed Axiomatic Design. Misura di informazione di Shannon (cenno). La metodologia TRIZ o TIPS (Theory of inventive problem solving) per progettare l’innovazione di prodotto. I parametri di progettazione generalizzati ed i principi di progettazione per la risoluzione di conflitti. Classificazione dei brevetti e livello di innovatività delle soluzioni tecniche. Tecniche di fattorizzazione e combinazione. Tecniche di valutazione dei concetti: matrice di Pugh e P&B. Progettazione robusta di prodotti industriali: le moderne tecniche di sperimentazione programmata, le fasi della sperimentazione, la scelta dei parametri ottimali sperimentati, la definizione della combinazione ottimale previsionale sulla base di modelli interpretativi, la verifica delle ipotesi, la definizione di parametri di controllo e di disturbo, la matrice incrociata e il metodo Pareto-ANOVA per l’analisi della risposta sperimentale; analisi degli effetti medi sulla media, sul rapporto S/N e sulla deviazione standard. Ottimizzazione di parametri e tolleranze. Allocazione delle tolleranze al minimo costo globale per la società secondo Taguchi. Scelta del concetto ottimale e progettazione delle tolleranze. Piani completi e frazionati. Ortogonalità del piano. Grafi di Taguchi per la riduzione del numero di prove.
Metodi di progettazione concreta per esigenze funzionali (ergonomia, assemblabilità, manutenibilità, sicurezza). (2 CFU)
Il Design for X. Ergonomia: interazione utente-prodotto. Variabilità degli utenti, studi antropometrici e progettazione per l’ergonomia. Indici di usabilità. La Progettazione Ergonomica Robusta mediante impiego di manichini virtuali. Indici di discomfort: casi studio automobilistici, aerospaziali e ferroviari. Valutazione del rischio posturale mediante impiego dei manichini virtuali. Progettazione per l’assemblabilità e la smontabilità e design review in laboratorio di Realtà Virtuale (RV). Impiego di Realtà Aumentata (AR) per la mitigazione dei rischi e per la manutenibilità di sistemi complessi. DVR+: Test di evacuazione. Cenni alla progettazione per l’affidabilità, la manutenibilità, la disponibilità e la sicurezza (RAMS). Definizione di Affidabilità, Disponibilità e Manutenibilità nella normativa (UNI, EN, ISO, MIL-STD). Cenni alla FMECA (Failure Mode, Effect & Criticality Analysis) in progettazione.
Project work. (2 CFU)
Scelta dell’argomento di progetto. Organizzazione del team. Team building. Leadership. Presentazione. Laboratori. Visite aziendali. Discussione coi tutori

Gli allievi sviluppano un progetto d’anno e presentano una relazione tecnica sul progetto di gruppo secondo un template fornito dal docente all’assegnazione del PW (project work). Gli allievi presentano il lavoro in corso d’anno ed a fine corso (con Powerpoint o Prezi) al docente ed ai tutor. La presentazione sarà unica per tutto il gruppo così come la valutazione. Sono previste attività integrative presso i laboratori universitari a Fuorigrotta (IDEAS) e San Giovanni a Teduccio (Marte, Ricreami, ErgoS) presso il CESMA.
Gli allievi dovranno mostrare l’applicazione delle metodologie di progettazione e sviluppo prodotto studiate durante il corso ed i risultati ottenuti, evidenziando l’innovazione funzionale proposta rispetto allo stato dell’arte attuale.
In particolare, tutti i gruppi dovranno mostrare l’applicazione della progettazione robusta quale tecnica di ottimizzazione dell’architettura di prodotto mediante prove reali o simulate (in ambienti di simulazione utili allo studio di una o più prestazioni di prodotto).

1. Ulrich K.T., Eppinger S.D., “Progettazione e sviluppo di prodotto”, McGraw-Hill, 2015.
2. Suh N.P, The principles of design, Oxford, University press, 1990.
3. Yang K, El-Haik B., Design for Six Sigma, Mc Graw Hill, 2003.
4. Whitney D. (2004), Mechanical Assemblies, Oxford Univ. Press
5. Materiale didattico (slide) del corso disponibili ad inizio anno (relative all’a.a. precedente ed aggiornate sulla piattaforma didattica ogni settimana in corso d’anno).

L’obiettivo del corso è quello di educare lo studente alle problematiche di progettazione di macchine e sistemi meccanici mediante l’impiego di prototipi virtuali. Al termine del corso lo studente sarà in grado di: Impostare e sviluppare i modelli 3D di assiemi meccanici. Leggere ed interpretare correttamente un disegno meccanico. Operare la scelta dei mezzi di comunicazione tecnica per la progettazione dei prodotti industriali. Rappresentare per esigenze costruttive particolari meccanici e per esigenze funzionali e di montaggio complessivi semplici. Realizzare in maniera interattiva disegni di assemblaggio a partire dai modelli CAD tridimensionali. Assegnare e valutare caratteristiche e proprietà di sistemi meccanici in ambiente virtuale: forme, proporzioni, materiali. Riconoscere gli elementi normalizzati. Gestire protocolli di riferimento per lo scambio-dati. Simulare ed analizzare in ambiente virtuale il comportamento cinematico di sistemi meccanici. Eseguire analisi strutturali agli elementi finiti (FEM) in ambiente virtuale su parti ed assiemi meccanici. Impiegare le tecnologie di prototipazione virtuale per l’analisi e la validazione di prodotti industriali.
Conoscenza e capacita' di comprensione: Il percorso formativo intende fornire agli studenti gli strumenti metodologici per la progettazione e lo sviluppo di prodotti industriali mediante l’impiego di prototipi virtuali. Lo studente deve dimostrare di avere appreso quali sono i requisiti peculiari dei sistemi hardware e software dedicati alle varie fasi del processo di sviluppo prodotto ed alla gestione del suo ciclo di vita. Lo studente dovrà inoltre dimostrare la conoscenza delle fasi principali di progettazione di un sistema meccanico, dalla identificazione dei requisiti, alla costruzione del prototipo virtuale ed alla sua validazione mediante strumenti di simulazione.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper costruire prototipi virtuali mediante software specifici per la gestione del ciclo di vita del prodotto, la modellazione geometrica, la simulazione cinematica del modello digitale (DMU), l’analisi strutturale e la validazione ergonomica. Lo studente dovrà mostrare la capacità di sviluppare un progetto concettuale di un sistema meccanico in ambiente virtuale, identificando elementi normalizzati e parti da progettare, gestendo i protocolli di riferimento per lo scambio dati e valutando i sistemi di simulazione idonei allo sviluppo ed alla validazione del progetto.

• Introduzione al corso: Obiettivi, contenuti, modalità d'esame.
• Il Digital Mock-Up (DMU), Ingegneria sequenziale e concorrente, il ciclo di sviluppo prodotto basato sul DMU. Metodologie di progettazione e pianificazione delle attività di progetto.
• Richiami di disegno tecnico industriale: metodo delle proiezioni ortogonali, sezioni, quotatura.
• Metodi di modellazione assistita da calcolatore.
• Modellazione basata sulla geometria: Drafting 2D, Modellazione 3D Wireframe, Primitive di modellazione, B-Rep, CSG, per superfici, ibrida.
• Introduzione alla piattaforma CAD: Impostazioni di base, Descrizione Albero del modello.
• Modellazione basata sulla conoscenza: approccio parametrico e variazionale, Modellazione solida basata su caratteristiche (Feature Based).
• Paradigma parametrico-associativo. Struttura di prodotto: parti, componenti, assiemi.
• Modellazione di parti: concetti di Feature, Body, Gruppi Geometrici. Strumenti per la gestione delle Feature Basate su schizzi. Gestione dei Vincoli. Strumenti di analisi dello schizzo.
• Strumenti per la creazione e la gestione delle feature avanzate: Feature di dettagliatura, Feature di trasformazione, Feature booleane, Modellazione Multi-Body. Principi di corretta modellazione.
• Strumenti CAD per la creazione, l’analisi e la manipolazione di superfici.
• Modellazione di Assiemi. Approcci Bottom-Up e Top-Down. Gestione del salvataggio. Analisi dell’assieme. Feature d’assieme. Configurazione di prodotto e tabelle di progetto. Problematiche di scambio dati.
• Generazione di disegni e documentazione di prodotto a partire da modelli CAD. La distinta base.
• Simulazione di cinematismi.
• Applicazione di metodologie di progettazione: modellazione, dimensionamento preliminare e verifiche nominali di organi meccanici. Indicazioni generali per individuare i criteri di scelta di diversi componenti e dispositivi meccanici.
• Verifica strutturale nominale assistita da calcolatore; preprocessing: realizzazione della mesh, condizioni vincolari, applicazione dei carichi; post-processing: valutazione dello stato tensionale e delle deformazioni.

La valutazione si basa esclusivamente sul colloquio orale durante il quale verrà accertata l’acquisizione dei concetti e dei contenuti introdotti durante le lezioni e verrà valutato l’elaborato progettuale.
Il colloquio orale è rivolto ad una discussione critica delle esercitazioni svolte durante il corso, alla presentazione di un elaborato progettuale ed all’accertamento dell’acquisizione dei concetti e dei contenuti introdotti durante le lezioni.

E. Chirone, S. Tornincasa, Disegno Tecnico Industriale (2 volumi), Editore: Il Capitello;
Caputo Francesco, Di Gironimo Giuseppe, La Realtà Virtuale nella Progettazione Industriale, Aracne, 2007.
Gary R. Bertoline, Eric N. Wiebe, Fondamenti di comunicazione grafica, McGrow Hill, 2003
Mortenson M.E., Geometric Modeling, Ed. John Wiley & Sons, 1997
Tavole di esercitazione (sito docente e TEAM del corso); Slides e dispense integrative fornite dal docente (sito docente e TEAM del corso).

By the end of the course, students should be able to:

• Model superconducting circuits using flux and charge variables and derive Lagrangians and Hamiltonians.
• Apply canonical quantization to lumped-element circuits and interpret the resulting quantum operators and spectra.
• Analyze and simulate superconducting qubits, including Cooper-pair boxes, transmons, flux qubits, and fluxonium qubits, accounting for noise sensitivity, anharmonicity, and leakage.
• Derive and use effective models for circuit quantum electrodynamics, including the Jaynes–Cummings model, the rotating-wave approximation, and the dispersive Hamiltonian obtained through the Schrieffer–Wolff transformation.
• Understand the principles of dispersive readout and the mechanisms underlying two-qubit coupling and gate implementation, including iSWAP, CZ/CPHASE gates, and tunable couplers.
• Formulate Markovian open-system dynamics using the Lindblad master equation and connect dissipation to transmission lines and bath models, including the Caldeira–Leggett model.
• Implement representative unitary and dissipative simulations in Python and Jupyter using QuTiP.
• Set up basic quantum-control optimization problems and implement the GRAPE and CRAB optimal-control algorithms.
  Conoscenza e capacita' di comprensione: By the end of the course, students will have acquired a solid understanding of the principles of superconducting quantum circuits and circuit quantum electrodynamics. They will understand how to formulate circuit models using flux and charge variables, derive the corresponding Lagrangians and Hamiltonians, and apply canonical quantization to lumped-element circuits. They will be familiar with the physical properties and operating regimes of the main superconducting qubits, including Cooper-pair boxes, transmons, flux qubits, and fluxonium qubits.
  Students will also understand the Jaynes–Cummings model, the rotating-wave and dispersive approximations, dispersive readout, two-qubit coupling mechanisms, and the implementation of gates such as iSWAP and CZ/CPHASE. They will understand the basic theory of open quantum systems, including Lindblad dynamics, transmission-line quantization, input–output concepts, and bath models. Finally, they will be familiar with numerical simulation methods based on Python, Jupyter, and QuTiP, as well as the fundamental concepts of quantum optimal control and the GRAPE and CRAB algorithms.
  Capacita' di applicare conoscenza e comprensione: Students will be able to apply the theoretical concepts acquired during the course to the analysis and design of superconducting quantum circuits and circuit-QED systems. They will be able to derive and manipulate circuit Hamiltonians, identify appropriate approximations, and determine energy spectra, eigenstates, transition frequencies, anharmonicities, and noise sensitivities for different qubit architectures.
  They will also be able to model qubit–resonator and qubit–qubit interactions, analyze dispersive readout schemes, and design elementary single- and two-qubit control protocols. Using Python, Jupyter, and QuTiP, students will implement numerical simulations of both unitary and dissipative dynamics, evaluate gate fidelity and leakage, and compare analytical predictions with numerical results. They will also be able to formulate basic quantum-control problems and apply GRAPE and CRAB algorithms to optimize control pulses under realistic physical constraints.

Part 1 (8 hours): Motivation, platforms, superconductivity, and Josephson physics

• Circuit QED and quantum devices: motivation, architecture-level overview, and DiVincenzo criteria
• Quantum mechanics for macroscopic variables; historical perspective and landmark experiments
• Transmon versus Cooper-pair box; fidelity, scaling strategies, and couplers
• Essentials of superconductivity: Meissner effect, London equations, type-I and type-II superconductors, BCS theory, and flux quantization
• Josephson junctions: current–phase and voltage–phase relations; circuit interpretation
  Part 2 (6 hours): Mathematical quantum mechanics and canonical quantization toolkit
• Lagrangian and Hamiltonian formulations of circuits; Euler–Lagrange equations, Hamilton’s equations, and Poisson brackets
• Vector spaces and Hilbert spaces; Dirac notation; operators, adjoints, projectors, and spectra
• Postulates of quantum mechanics: measurement, Born rule, unitary time evolution, and Schrödinger and Heisenberg pictures
• Commutators, uncertainty relations, and the correspondence principle applied to circuit quantization
  Part 3 (4 hours): Quantized LC resonator and coherent states
• Quantization of the LC circuit; zero-point fluctuations, ladder operators, and the driven harmonic oscillator
• Coherent states; displacement operator; classical and quantum dynamics under a microwave drive
  Part 4 (18 hours): Superconducting qubits, single-qubit control, and circuit quantization
• Josephson nonlinearity and superconducting-qubit models: Cooper-pair box, transmon, flux qubit, and fluxonium; flux tuning using SQUIDs
• Transmon Hamiltonian; Mathieu equation; operating regimes as a function of EJ/EC; anharmonicity and leakage
• Charge noise and offset charge; rotating frame, rotating-wave approximation, and Rabi oscillations
• Bloch sphere, Pauli operators, and single-qubit gates: X, Y, Z, phase, Hadamard, and virtual-Z gates
• Microwave-control hardware: local oscillator, I/Q modulation, mixers, arbitrary waveform generators, quadratures, and effective control axes
• Quantization of complex circuits using graph methods, including tree and co-tree structures, external flux, and gauge transformations
• Coupled circuits and quadratic forms: capacitance matrices, weak-coupling approximations, and mode diagonalization
  Part 5 (10 hours): Dispersive readout and two-qubit gates
• Resonator–transmon quantization; Jaynes–Cummings model, interaction picture, and rotating-wave approximation
• Dispersive regime; Schrieffer–Wolff transformation; effective dispersive Hamiltonian and readout principle
• Readout through reflection, S11, and phase and amplitude responses; quantum-nondemolition aspects and critical-photon-number trade-offs
• Two-qubit coupling mechanisms: direct, mediated, and parametric coupling; transverse and longitudinal components
• iSWAP gates and entanglement generation; CZ and CPHASE gates using higher energy levels, the qutrit picture, and avoided crossings
  Part 6 (14 hours): Transmission lines, input–output theory, spontaneous emission, and open quantum systems
• Sources of decoherence, including two-level systems, quasiparticles, 1/f noise, and residual fields; operational definitions of T1 and T2
• Lindblad master equation for relaxation and dephasing; populations and coherences
• Motivation for quantizing transmission lines: distributed degrees of freedom, dissipation, and readout and control interfaces
• Quantization of transmission-line fields; semi-infinite transmission lines as effective dissipative elements
• Finite-length transmission-line resonators, boundary conditions, mode expansions, and ultraviolet cutoff concepts
• Coupling between lumped circuits and transmission lines; boundary matching and the emergence of input–output relations and damping
• Caldeira–Leggett model; memory kernels, Markovian and short-memory limits, and quantum Langevin equations
• Spontaneous emission into a transmission line in the weak-coupling and rotating-wave regimes; spectral distribution and linewidth
• Numerical examples using QuTiP for dissipative circuit-QED dynamics and analysis of the limits of the rotating-wave approximation
  Part 7 (10 hours): Quantum control, dynamical decoupling, and monitored quantum systems
• Motivation for quantum control; open-loop and feedback control; reachability, controllability, and the Lie algebra rank condition
• GRAPE: piecewise-constant controls, infidelity cost functions, forward and backward propagation, and gradient computation
• Limitations of GRAPE and experimental constraints; CRAB control based on truncated-basis parametrization and gradient-free optimization
• Nelder–Mead simplex operations for black-box cost functions: reflection, expansion, contraction, and shrinkage
• Selected topics in decoherence, dynamical decoupling, including CPMG sequences, and noise spectroscopy
• Continuously monitored quantum systems, quantum trajectories, and introductory concepts of feedback control

The final examination consists of two components. First, the student selects one of the computational problems proposed in the course material and solves it using Python and QuTiP. The main results may be presented with the support of a short presentation. The corresponding Jupyter notebook or Python code must be submitted to the instructor at least one day before the examination.
The second component is an oral discussion covering the theoretical and methodological topics included in the course syllabus. The student may use the blackboard to support derivations and explanations.
The examination date must be arranged with the instructor by email at least one week in advance.

A. Ciani, D. P. DiVincenzo, B. M. Terhal, "Lecture Notes on Quantum Electrical Circuits" https://arxiv.org/abs/2312.05329
U. Vool, M. Devoret, Introduction to quantum electromagnetic circuits, Special Issue on Quantum Technologies, International Journal of Circuit, Theory and Applications, 897-934, 2017.
G. Wendin, Quantum information processing with superconducting circuits: a review, Rep. Prog. Phys. 80 106001, 2017.
X. Gua, A. F. Kockum, A. Miranowicz, Y. Liu, F. Nori, Microwave photonics with superconducting quantum circuits, Physics Reports 718-719, 1 102, 2017.
P. Krantz, M. Kjaergaard, F. Yan, T. P. Orlando, S. Gustavsson, and W. D. Oliver, A quantum engineer's guide to superconducting qubits, Appl. Phys. Rev. 6, 021318 (2019); https://doi.org/10.1063/1.5089550-
A. Blais, A. L. Grimsmo, S. M. Girvin, A. Wallraff, Circuit quantum electrodynamics, Rev. Mod. Phys. 93, 025005 (2021).-
A. M. Zagoskin Quantum Engineering: Theory and Design of Quantum Coherent Structures, Cambridge University Press, 2011. - Lecture Notes.

L'obiettivo del corso è fornire agli studenti una visione ampia dell’informazione e computazione quantistica da una prospettiva dell’ingegneria delle comunicazioni. Nello specifico, gli studenti familiarizzeranno con gli elementi di base della teoria dell'informazione quantistica, quali qubit, superposition, quantum measurement, no-cloning ed entanglement. Partendo da queste premesse, verranno discusse le principali applicazioni, incluse comunicazioni sicure – analizzando tecniche di Quantum Key Distribution (QKD) – e tecniche di comunicazione quantistica basate su entanglement – quali superdense coding e quantum teleportation. In tali scenari di trasmissione di informazione classica e quantistica, si forniranno inoltre agli studenti gli strumenti per comprendere le peculiarità del rumore quantistico rispetto al rumore classico. Gli studenti acquisiranno anche la capacità di comprendere le ragioni per cui l’elaborazione dell’informazione quantistica può abilitare tecniche di machine learning e artificial intelligence caratterizzate da prestazioni superiori a quelle garantite da approcci classici. Gli studenti avranno eventualmente l'opportunità di seguire sessioni di laboratorio interattive. Infine, il corso vuole fornire allo studente contenuti e linguaggio necessari per consentirgli di approfondire autonomamente le tematiche trattate nel corso, di seguire seminari di approfondimento.
Conoscenza e capacita' di comprensione: Il corso si propone di fornire agli studenti i principi e gli strumenti metodologici necessari per apprendere e comprendere le problematiche che sorgono con la trasmissione e l'elaborazione dell'informazione quantistica. In particolare lo studente deve acquisire gli strumenti per comprendere le peculiarità del rumore quantistico rispetto al rumore classico. Inoltre, il corso consente agli studenti di comprendere le somiglianze e le differenze tra comunicazioni classiche e quantistiche, e di cogliere le implicazioni e le opportunità abilitate da tali differenze.
Capacita' di applicare conoscenza e comprensione: Gli studenti devono dimostrare la capacità di applicare le conoscenze acquisite e gli strumenti metodologici all'analisi e alla progettazione di tecniche di comunicazione quantistica, sia in condizioni ideali che in presenza di rumore quantistico. Gli studenti devono anche essere in grado di approfondire autonomamente aspetti delle tematiche trattate nel corso e di seguire seminari di approfondimento, sfruttando i contenuti e il linguaggio forniti dal corso.

Parte I: Fondamenti

• Informazione Quantistica: Qubit vs Bit, Spazio di Hilbert, notazione ket-bra, Sfera di Bloch, Sistemi a più qubits
• Computazione Quantistica: Trasformazioni di stati quantistici, Theorema del No-Cloning, principali gates quantistici, la misura quantistica
• L’entanglement quantistico: Stati di Bell, paradosso EPR
• Rumore quantistico: stati puri e stati misti, operatore densità, decoerenza, modelli di canale quantistico
  Parte II: Applicazioni
• Comunicazioni Sicure: principi di crittografia quantistica, protocollo BB84, protocollo Ekert-91, implementazioni pratiche
• Comunicazioni quantistiche: protocollo di teleporting, effetti di rumore sul teleporting, fidelity
• Elaborazione dell’informazione quantistica: semplici routines quantistiche, amplitude amplification e interferenza quantistica, cenni al Grover's search learning, tecniche di elaborazione quantistica distribuita
  Laboratorio : esercitazioni guidate al calcolatore, sfruttando ad esempio simulatori di rete quantistica.

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione

Libri di testo consigliati e ulteriori testi di approfondimento:

• Nielsen and Chuang, “Quantum computation and information”, Cambridge University Press, 10th Edition, 2020
• Rieffel and Polak, “Quantum Computing: a Gentle Introduction”, MIT Press, 2011
• W. Kozlowski, S. Wehner, R. Van Meter, B. Rijsman, A.S. Cacciapuoti, M. Caleffi, S. Nagayama, “Architectural Principles for a Quantum Internet, Internet draft, Internet Engineering Task Force (IETF).
  Slides preparate dal docente

Obiettivi dell’insegnamento sono fornire le principali metodologie e tecniche di elaborazione dei segnali per la localizzazione tramite onde radio, introdurre i principi di funzionamento dei moderni sistemi di radiolocalizzazione terrestri e satellitari, nonché le diverse fenomenologie di canale e di interferenza. Ulteriore scopo è analizzare, implementare e simulare alcune tecniche fondamentali impiegando l'ambiente di sviluppo MATLAB®.
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare di conoscere le principali tipologie e modalità operative dei sistemi di localizzazione/posizionamento basati su onde radio; deve avere padronanza dei principali metodi/algoritmi per l’estrazione di informazioni legate alla posizione dell’utente a partire dal segnale radio proveniente da specifici trasmettitori, impiegando misure dei tempi di arrivo, angoli di arrivo, potenza dei segnali ricevuti. Deve dimostrare di conoscere l’architettura, il funzionamento e le limitazioni dei moderni sistemi di radiolocalizzazione terrestri e satellitari.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper valutare e selezionare, a fronte di un problema di localizzazione specifico, la tipologia di sistema più idonea (terrestre, satellitare o ibrida), definendone i parametri fondamentali (quali numero di trasmettitori, livello di sincronizzazione temporale, tipologia di ricevitore) in base ai requisiti prestazionali e al contesto operativo. Deve inoltre essere in grado di identificare la tecnica di localizzazione più appropriata (es. TOA, TDOA, ecc.) e selezionare l'algoritmo di stima ottimale (es. LS, NLS, ecc.) in funzione delle specifiche operative e delle criticità dello scenario. Lo studente deve inoltre mostrare la capacità di riconoscere le principali problematiche (cause di degradazione delle prestazioni) che intervengono nei processi di radiolocalizzazione, quali effetti di propagazione, condizioni atmosferiche, rumore e interferenze. Deve altresì dimostrare competenza nella scelta degli schemi di elaborazione dei segnali più adatti per estrarre l'informazione di localizzazione in presenza di tali fenomeni deleteri.

Tassonomia e principi di base dei sistemi di radiolocalizzazione. Principali parametri per la radiolocalizzazione e relativi metodi di stima. Radiolocalizzazione passiva: strategie di localizzazione basate sugli angoli di arrivo, sui tempi di arrivo, sulla differenza o somma dei tempi di arrivo, sulla potenza dei segnali ricevuti; sistemi ibridi; applicazioni alle reti cellulari e WIFI. Implementazione e analisi di alcune tecniche di stima in ambiente MATLAB®. Radiolocalizzazione satellitare: principi di funzionamento ed architetture dei sistemi GNSS (GPS, GLONASS, GALILEO); caratteristiche dei segnali trasmessi; architettura dei ricevitori e tecniche di elaborazione del segnale per effettuare il posizionamento; sistemi multicostellazione. Applicazione della radionavigazione alla sicurezza per il trasporto aereo e marittima: principi di funzionamento del sistema radar di sorveglianza secondario per il controllo del traffico aereo e del sistema di identificazione automatica per il tracciamento marittimo.

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione.

Libri di testo:

• S. A. (Reza) Zekavat and R. Michael Buehrer, Handbook of Position Location: Theory, Practice, and Advances, 2nd ed., Wiley-IEEE Press, 2019.
• P. Misra and P.Enge, “Global Positioning System: Signals, Measurements, and Performance”, 2nd ed. Ganga-Jamuna Press, 2011.
• M. Nolan, “Fundamentals of Air Traffic Control”, 5th ed. CENGAGE Brain, 2011.
  Dispense:
  “Slide del corso”, distribuite annualmente.

Il corso di Robotica Medica si pone l’obiettivo di fornire le nozioni e le basi di progettazione, realizzazione e controllo di sistemi robotici per applicazioni mediche (e.g., in chirurgia e riabilitazione). Oltre all’utilizzo di metodi per la modellazione e il controllo di sistemi robotici costituiti da catene cinematiche rigide, come alcuni robot manipolatori attualmente utilizzati in chirurgia e riabilitazione, saranno forniti metodi teorici per la modellazione e il controllo di sistemi che prevedono parti soffici integrate nella struttura o strutture completamente soffici, robot capaci di riconfigurarsi e adattarsi all’ambiente, nonché robot indossabili come protesi ed esoscheletri. Attraverso applicazioni pratiche delle conoscenze acquisite mediante l’utilizzo di simulatori per casi studio, saranno fornite conoscenze di base dei software più comuni usati per la programmazione di robot.
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare di conoscere i sistemi robotici attualmente utilizzati in chirurgia e riabilitazione, in particolare la struttura meccanica e le sue caratteristiche, i tipici sistemi di controllo e i software utilizzati per la programmazione. Lo studente deve dimostrare di conoscere le problematiche relative all’interazione paziente/robot-medico/robot e i conseguenti requisiti necessari al corretto ed efficace funzionamento dei sistemi robotici. Lo studente deve dimostrare di aver acquisito le tecniche di modellazione e controllo di sistemi robotici caratterizzati da strutture soft che interagiscono in stretto contatto fisico con l’essere umano, includendo i sistemi mininvasivi per la chirurgica e i sistemi indossabili per la riabilitazione.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper progettare un sistema di controllo, scelto tra i sistemi classici studiati, per adattarlo ad una particolare applicazione medica utilizzando uno dei sistemi robotici più diffusi in chirurgia e/o in riabilitazione (come il da Vinci, il KUKA etc). Lo studente deve essere in grado di saper implementare tale sistema di controllo utilizzando strumenti di simulazione forniti durante il corso. A tal fine, lo studente deve dimostrare di saper utilizzare strumenti software tipicamente utilizzati in robotica (tra cui ROS, Gazebo, Matlab/Simulink, C++, Python, CoppeliaSim). Inoltre, lo studente deve dimostrare di avere conoscenza di base di tipici strumenti open-source di prototipazione rapida, elettronica e stampa 3D.

1. Introduzione alla robotica medica. 2. Classificazione di robot chirurgici e applicazioni. 3. Controllo dell’interazione (controllo di impedenza e forza; controllo di impedenza variabile, gestione della priorità di più task in manipolatori ridondanti). 4. Teleoperazione unilaterale e bilaterale: passività e stabilità. 5. Interfacce aptiche. 6. Controllo condiviso e semi-autonomo. 7. Sistema robotico da Vinci e da Vinci Research Kit (cinematica, dinamica, architettura di controllo, software per il controllo). 8. Esercitazioni sul sistema da Vinci Research Kit. 9. Esempi di tecniche di apprendimento applicate al controllo di robot per applicazioni chirurgiche. 10. Introduzione all’impiego di robot continui e snake-like alla chirurgia robotica. 11. Modellazione di meccanismi continui. 12. Controllo della interazione e della locomozione di robot continui iper-ridondanti. 13. Introduzione alla robotica soft. 14. Modellazione di robot soft. 15. Controllo di robot soft. 16. Introduzione alla robotica riabilitativa e alla robotica per assistenza. 17. Esercitazioni sul robot KUKA MED. 18. Materiali e metodi per la misura di segnali fisiologici (EMG, EEG, ECoG, eye tracking). 19. Esoscheletri e robotica indossabile: principi costruttivi e strategie di controllo. 20. Attuatori ad impedenza variabile. 21. Protesi robotiche: mani e gambe robotiche. 22. Principi di controllo della locomozione. 23. Progetto meccanico di mani robotiche, modellazione, sensoristica e attuazione. 24. Esercitazioni sulla PRISMA Hand II. 25. Controllo della presa e della manipolazione. 26. Esempi di tecniche di apprendimento applicate alla manipolazione e alla locomozione.

L’elaborato è obbligatorio per accedere all’orale, esso contribuisce al 25% della valutazione finale.
L’elaborato in simulazione deve essere consegnato al docente una settimana prima della prova orale e poi discusso all’orale mediante una presentazione dei risultati ottenuti. L’elaborato ha l’obiettivo di verificare la capacità dello studente di progettare semplici algoritmi di controllo per applicazioni di robotica medica (a scelta chirurgica o riabilitativa), utilizzando uno dei simulatori (a scelta dello studente), basati su ROS, Gazebo e CoppeliaSim, i quali sono stati introdotti e utilizzati durante le esercitazioni del corso. Il colloquio orale segue la discussione dell’elaborato ed è rivolto ad una discussione critica della/e soluzione/i data/e dallo studente ai problemi proposti nell’elaborato in simulazione, ed all’accertamento dell’acquisizione dei concetti e dei contenuti introdotti durante le lezioni.

B. Siciliano, O. Khatib (Eds.), Springer Handbook of Robotics, 2nd Edition, Springer, Berlin, 2016, ISBN 978-3-319-32552-1.
K.M. Lynch, F.C. Park, Modern Robotics: Mechanics, Planning, and Control, Cambridge University Press, 2017, ISBN 9781107156302.
J. Rosen, B. Hannaford, R.M. Satava (Eds.), Surgical Robotics: Systems, Applications, and Visions, Springer, 2011 ISBN 9781441911261.
A. Schweikard, F. Ernst, Medical Robotics, Springer, 2015, ISBN 9783319228914.
Appunti dalle lezioni, disponibili agli studenti iscritti al corso tramite Segrepass.

Il corso si propone di fornire agli studenti conoscenze e competenze operative per la progettazione, implementazione e validazione di sistemi robotici (mobili e di manipolazione) attraverso attività pratiche di laboratorio. Particolare attenzione è dedicata all’integrazione tra modelli teorici, sviluppo software, simulazione e sperimentazione su piattaforme hardware. Il corso mira inoltre a sviluppare la capacità di affrontare problemi applicativi di robotica in modo autonomo, critico e metodologicamente corretto, mediante esercitazioni, homework e un progetto finale.
Conoscenza e capacita' di comprensione: Al termine del corso, lo studente avrà acquisito conoscenze relative ai principali strumenti software e metodologici utilizzati per lo sviluppo di applicazioni robotiche in ambiente laboratoriale. In particolare, lo studente sarà in grado di comprendere l’organizzazione di un sistema robotico, il ruolo dei diversi moduli software, le modalità di interazione tra simulazione e hardware, e le principali problematiche connesse alla realizzazione di esperimenti robotici riproducibili.
Lo studente comprenderà inoltre i principi alla base della modellazione, programmazione, simulazione e validazione di sistemi robotici, con riferimento alle attività svolte durante il corso. Sarà in grado di interpretare specifiche tecniche, istruzioni operative, risultati sperimentali e comportamenti osservati in simulazione o su piattaforma fisica, riconoscendo le differenze tra modello ideale, ambiente simulato e sistema reale.
Il corso consentirà infine allo studente di sviluppare conoscenze sull’utilizzo dei principali sensori utilizzati in applicazioni robotiche, sul loro interfacciamento con la piattaforma e le principali tecniche di elaborazione dei dati sensoriali.
Capacita' di applicare conoscenza e comprensione: Al termine del corso, lo studente sarà in grado di applicare le conoscenze acquisite alla progettazione e implementazione di soluzioni robotiche mediante attività di coding, simulazione e sperimentazione hardware. In particolare, sarà in grado di sviluppare, testare e documentare codice per applicazioni robotiche, utilizzare strumenti di simulazione per verificare il comportamento di algoritmi e sistemi, e trasferire, quando previsto, le soluzioni sviluppate su piattaforme robotiche reali.
Lo studente sarà capace di affrontare problemi pratici di robotica scomponendoli in sottoproblemi, selezionando strumenti e metodi adeguati, eseguendo test incrementali, analizzando errori e risultati, e adottando strategie di debugging e validazione. Sarà inoltre in grado di confrontare risultati ottenuti in simulazione e su hardware, identificando possibili cause di discrepanza e proponendo soluzioni o miglioramenti.
Attraverso gli homework e il progetto finale, lo studente svilupperà la capacità di lavorare in modo autonomo su attività pratiche, rispettare vincoli e scadenze, organizzare il proprio codice e la documentazione tecnica, presentare in modo chiaro le scelte progettuali e discutere criticamente i risultati ottenuti. Il progetto finale permetterà inoltre di applicare in modo integrato le competenze acquisite durante il corso a un problema robotico più articolato, dalla fase di progettazione alla validazione sperimentale.

Introduzione al corso
Basi di ROS:

• Setup preliminare: sistema operativo linux, git, docker, programmazione in C++
• ROS introduzione, programmi & strumenti
• ROS simulazione di robot
• ROS pianificazione del moto
  Manipolazione:
• Algoritmi di controllo cinematici e dinamica
• Pianificazione di traiettorie
• Sensori di visione e visione computazionale
  Robot aerei:
• Veicoli aerei
• Autopilota PX4
  Navigazione autonoma:
• Robot mobile differenziale
• Navigazione & SLAM

L'esame consiste nella discussione orale di un progetto tecnico sviluppato durante il corso. Gli studenti non frequentanti sono tenuti a contattare il docente per definire il progetto tecnico da sviluppare in simulazione.

Materiale fornito dal docente e consultabile alla pagina: http://wpage.unina.it/mario.selvaggio/teaching.html

Introdurre la metodologia per una rappresentazione unificata delle leggi costitutive di varie tipologie di sistemi dinamici (elettrici, meccanici, fluidici, chimici), necessaria per la modellazione matematica della fisiologia dei principali organi del corpo umano. Derivare i modelli matematici sia statici che dinamici dei principali sistemi fisiologici. Comprendere come tali sistemi siano sottoposti ad azioni di controllo in retroazione necessarie per un corretto funzionamento degli stessi. Investigare, nel dominio del tempo e della frequenza, il comportamento dei sistemi fisiologici.
Conoscenza e capacita' di comprensione: Lo studente deve essere in grado di derivare il modello matematico di semplici sistemi fisiologici basati su uno schema a retroazione negativa. Il percorso formativo intende fornire agli studenti le conoscenze e gli strumenti metodologici di base necessari per analizzare le proprietà strutturali di tali modelli, con particolare riferimento allo studio della stabilità del punto di equilibrio omeostatico. Tali strumenti consentiranno agli studenti di comprendere i meccanismi di funzionamento dei principali sistemi fisiologici presenti nell’essere umano.
Capacita' di applicare conoscenza e comprensione: A partire dalle conoscenze anatomico-funzionali dei diversi distretti fisiologici dell’organismo, lo studente deve dimostrare di essere in grado di derivare un modello matematico quantitativo, basato su equazioni differenziali, e di effettuare simulazioni numeriche per studiare il comportamento del sistema oggetto di studio. Sulla base di questa analisi, dovrà trarre le conseguenze derivanti dalla presenza di eventuali patologie derivanti dall’alterazione di uno o più parametri del modello oggetto di studio.

Introduzione al corso; analogia elettrica delle proprietà di resistività, di immagazzinamento di energia potenziale e cinetica di sistemi meccanici, fluidici e chimici. Definizione di resistenza generalizzata, complianza e inertanza per tali categorie di sistemi. (1 CFU) Generazione di sistemi complessi a partire da componenti elementari: parallelo e serie di resistenze e complianze. Primi esempi di modellistica: derivazione del modello meccanico-fluidico dell’apparato polmonare e del modello meccanico del muscolo scheletrico. (1 CFU) Richiami sulle rappresentazioni dei sistemi lineari ingresso-uscita (IU) e ingresso-stato-uscita (ISU); funzione di trasferimento. Calcolo delle rappresentazioni IU, ISU e della funzione di trasferimento per il modello meccanico-fluidico del sistema polmonare e del muscolo scheletrico. Richiami sulla risposta impulsiva. (1 CFU) Analisi nel dominio del tempo dei sistemi di controllo fisiologici; analisi delle prestazioni dei sistemi a ciclo chiuso rispetto a quelli a ciclo aperto. Applicazioni: arco riflesso; meccanismo dell’ultrasensitività; implementazione in MATLAB/SIMULINK di tali modelli. (1 CFU) Regolazione del glucosio; regolazione chimica della ventilazione; implementazione in MATLAB/SIMULINK di tali modelli (1 CFU). Regolazione del flusso sanguigno nel sistema circolatorio; riflesso neuromuscolare; implementazione in MATLAB/SIMULINK di tali modelli (1 CFU). Applicazioni: confronto ciclo aperto-chiuso del sistema meccanico-fluidico della ventilazione polmonare attraverso la risposta impulsiva e la risposta al gradino. Analisi dinamica nel dominio della frequenza. Applicazioni: regolazione del flusso sanguigno nel sistema circolatorio, modello meccanico-fluidico della ventilazione polmonare; analisi con l’utilizzo di MATLAB/SIMULINK (1 CFU). Analisi di stabilità dei sistemi di controllo fisiologici: richiami sui criteri di Routh e Nyquist; studio della stabilità di alcuni dei sistemi fisiologici introdotti in precedenza. (1 CFU) Metodi di identificazione dei sistemi di controllo fisiologici: metodi parametrici e non parametrici. (1 CFU)

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione.

Michael C. K. Khoo, Physiological Control Systems, IEEE Press.
Appunti delle lezioni.

Obiettivi dell'insegnamento sono fornire i concetti specialistici per il dimensionamento e l’analisi di sistemi radar in diversi contesti operativi, corredati da elementi dettagliati per modellare la fenomenologia del canale, dell’interferenza e del bersaglio radar. Ulteriore scopo èintrodurre le principali tecniche di elaborazione del segnale radar sia nel dominio del tempo che in quello Doppler.
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare di conoscere le principali tipologie, configurazioni e modalità operative dei sistemi radar; deve essere in grado di applicare correttamente l’equazione radar per specifiche funzioni del sistema (quali ad esempio la ricerca e l’inseguimento). Deve inoltre sapere caratterizzare le prestazioni del radar dal punto di vista della probabilità di falso allarme e corretta rivelazione in presenza di diverse tipologie di bersagli (fluttuanti e non) e per differenti logiche di integrazione dei ritorni (ad esempio integrazione coerente e non). Deve comprendere le principali tecniche di elaborazione del segnale radar per la reiezione del clutter (sia nel dominio del tempo che in quello Doppler), per il controllo dei falsi allarmi e per la stima dei parametri del bersaglio.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper dimensionare i principali parametri del trasmettitore e del ricevitore di un sistema radar in diversi contesti operativi utilizzando modelli adeguati alla loro descrizione e ottimizzazione. Deve inoltre palesare capacità di caratterizzare le diverse funzionalità e modalità del radar. Deve essere in grado di selezionare gli schemi più opportuni per l’elaborazione del segnale radar con enfasi al filtraggio del clutter, alla rivelazione/stima dei parametri del bersaglio e al controllo dei falsi allarmi.

Principi di funzionamento del radar ad impulsi e ad onda continua.
Principali parametri, funzioni e applicazioni del radar.
L’equazione radar e sue diverse forme.
I processi di ricerca e inseguimento radar.
Effetti atmosferici e loro correzione.
Caratterizzazione del clutter.
Caratterizzazione dei bersagli radar.
Acquisizione e digitalizzazione del segnale radar.
Rivelazione di bersagli e calcolo della probabilità di falso allarme e corretta rivelazione.
Tecniche per il controllo dei falsi allarmi.
Elaborazione Doppler.
Segnali e codici radar.
Tecniche per la stima dei parametri e l’inseguimento di bersagli.

l campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione

Libri di testo:
M. A. Richards, J. A. Scheer, and W. A. Holmes: "Principles of Modern Radar: Basic Principles",
Scitech, 2010.
M. Skolnik: "Radar Handbook", Third Edition, Mc Graw Hill, 2008.
G. Stimson: "Introduction to Airborne Radar", Third Edition, IET, 2014.
Dispense:
“Slide del corso”, distribuite annualmente.

Il corso mira a sviluppare una consapevolezza critica delle principali implicazioni sociali ed etiche dell'intelligenza artificiale, distinguendo tra usi che possono accentuare dinamiche di controllo sociale e usi che possono invece favorire la comunicazione intersoggettiva e lo sviluppo umano.
Gli studenti saranno guidati a riconoscere la natura ambivalente di queste tecnologie, soprattutto nell'ambito etico-giuridico e a riflettere sulle conseguenze per l'identità personale e la vita collettiva.
Conoscenza e capacita' di comprensione: Lo studente sarà in grado di analizzare criticamente i possibili diversi usi dell'intelligenza artificiale, distinguendo tra applicazioni che tendono a rafforzare dinamiche di controllo sociale e applicazioni che possono favorire la comunicazione intersoggettiva e lo sviluppo integrale della persona.
Capacita' di applicare conoscenza e comprensione: Lo studente sarà in grado di proporre soluzioni progettuali e interpretative orientate ai valori umani fondamentali, in grado di valorizzare le relazioni intersoggettive e di ridurre i rischi di abuso o manipolazione della persona umana.

Il corso affronta il rapporto tra intelligenza artificiale, società e persona umana, mettendo a confronto la prospettiva scientista e quella filosofico-etica. Verrà mostrato come un approccio esclusivamente tecnico rischi di ridurre la complessità delle relazioni umane a criteri di pura efficienza e come invece un orientamento antropologico ed etico, fondato sul rispetto dei diritti umani, sia indispensabile per un uso responsabile delle tecnologie.
Il programma si articolerà in quattro nuclei principali:

• Quadri teorici : confronto tra conoscenza scientifica e riflessione filosofica, rischi del riduzionismo tecnologico e importanza di un approccio multidisciplinare.
• Problemi etico-sociali dell’IA : giudice algoritmico e giustizia predittiva, pregiudizi razziali e sociali negli algoritmi, sorveglianza tecnologica e cybersocietà.
• Casi applicativi : dilemmi etici delle auto a guida autonoma; uso dell’IA in medicina e nel diritto, con attenzione alla centralità della persona umana.
• Quadro giuridico : analisi critica della regolamentazione dell’intelligenza artificiale, con particolare riferimento al Regolamento europeo (AI Act).

Colloquio orale finalizzato a verificare la conoscenza dei contenuti, la capacità di analisi critica delle implicazioni etico-sociali dell’IA nell'ambito giuridico.

L. Franzese e F. Recanati (a cura di), Conversazioni su etica e intelligenza artificiale , Giappichelli, 2025.
In alternativa:
F. Fossa, V. Schiaffonati e G. Tamburrini (a cura di), Automi e persone. Introduzione all'etica dell’intelligenza artificiale e della robotica , Carocci editore, 2025.

L’obiettivo formativo è fornire le conoscenze, fino al livello operativo, per comprendere il funzionamento di sistemi d’interesse per un ampio spettro di applicazioni della vita reale basata sulla Tomografia e l’Imaging elettromagnetici. Le applicazioni d’interesse riguarderanno la tomografia nelle applicazioni industriali e nelle applicazioni medicali (Microwave Tomography), l’imaging nelle applicazioni di sicurezza (body scanning), la diagnostica per immagini (TAC, PET e MRI) e il Ground Penetrating Radar. In particolare, si richiameranno i principi fondamentali della Tomografia e dell’Imaging elettromagnetici e si comprenderanno gli algoritmi effettivamente utilizzati per la loro elaborazione sino ad un livello di dettaglio operativo. Infine, si metteranno in pratica, in laboratorio, le conoscenze acquisite nella implementazione di alcuni semplici esempi di Tomografia e Imaging in codici di calcolo in grado di operare a partire da dati realistici.
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare di aver acquisito adeguata conoscenza dei principi fisici alla base delle principali tecniche di tomografia e imaging elettromagnetiche, quali la CAT, l’MRI, l’imaging a microonde e l’imaging passivo. Lo studente deve dimostrare di aver raggiunto anche una sufficiente comprensione delle motivazioni e dei limiti delle tipiche approssimazioni adottate in tali ambiti, utilizzate anche per la linearizzazione dei legami. Inoltre, deve aver raggiunto adeguata consapevolezza delle cause della malposizione di un problema inverso lineare e dei principali metodi di regolarizzazione con particolare riferimento al compromesso in termini di filtraggio del rumore e capacità di risoluzione.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper mettere in pratica, attraverso la descrizione analitica di appropriati algoritmi di calcolo, metodi iterativi e non iterativi per la soluzione di problemi tomografici. In particolare, deve essere in grado di discutere nel dettaglio metodi classici di regolarizzazione quali la tecnica di Tikhonov e le sue declinazioni in termini di iterazioni di Landweber e steepest descent nonché di Decomposizione ai Valori Singolari. Deve anche dimostrare un adeguato grado di capacità di gestione relativamente ai problemi di calcolo veloce per applicazioni tomografiche.

Richiami sugli elementi di base dell’elettromagnetismo. Il concetto di funzione di Green. Sorgenti elettromagnetiche e radiazione. Equazione della radiazione. La diffusione elettromagnetica e il concetto di campo incidente, campo diffuso e campo totale. Equazione della diffusione elettromagnetica. Introduzione alla tomografia e imaging elettromagnetici. Richiami ai principi fisici alla base della TAC, PET, MRI. [2 CFU]
Richiami agli algoritmi fondamentali per il trattamento dei dati (trasformata di Radon, backprojection, FFT e Non-Uniform FFT, ART, etc.). [1 CFU]
Problemi inversi e il concetto di mal posizione e mal condizionamento nella loro soluzione. Metodi per la soluzione e la discretizzazione delle equazioni di interesse. Algoritmi numerici per la soluzione del problema discreto. Tecniche di regolarizzazione e precondizionamento, e analisi delle prestazioni (SVD), gradiente coniugato, gradiente biconiugato stabilizzato, total variation, etc.). Tecniche algoritmiche ed implementative per la soluzione numerica e l’accelerazione dell’elaborazione. [2 CFU]
Applicazioni alla tomografia, al body scanning, al Ground Penetrating Radar, alla TAC, alla PET e alla MRI. [2 CFU]
Esercitazioni di laboratorio, sia di tipo numerico che di tipo sperimentale. [2 CFU]

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in corso di predisposizione.

M. Bertero, P. Boccacci, Introduction to Inverse Problems in Imaging, IoP Publishing
A.C. Kak, M. Slaney, Principles of Computerized Tomographic Imaging, SIAM

Obiettivo dell’insegnamento è quello di introdurre il tema della trasmissione dell’informazione tra un nodo sorgente e un nodo destinazione. L’insegnamento si propone di fornire agli studenti le nozioni di base sulla trasmissione digitale dell’informazione, illustrando le principali metodologie per l’analisi di un sistema di comunicazione, nonchè i criteri di dimensionamento dei parametri che caratterizzano la ricetrasmissione dell’informazione.
Conoscenza e capacita' di comprensione: Lo studente deve conoscere le principali problematiche relative alla descrizione sintetica del canale a forme d’onda, alla conversione di frequenza, e alla segnalazione e ricezione su un canale a forme d’onda. Deve dimostrare di comprendere la relazione che sussiste tra l’elaborazione del segnale ricevuto e la probabilità di errore che caratterizza il trasferimento dell’informazione su un canale additivo Gaussiano. Inoltre, deve conoscere le problematiche connesse alla ricetrasmissione dell’informazione su un canale selettivo in frequenza e le principali tecniche di mitigazione dell’interferenza intersimbolica.
Capacita' di applicare conoscenza e comprensione: Lo studente deve saper risolvere problemi concernenti la valutazione della probabilità di errore associata a uno specifico meccanismo di ricetrasmissione dell’informazione, anche ricorrendo a simulazioni numeriche, e di sviluppare algoritmi di elaborazione manipolando schemi tipici introdotti durante il corso.

Rappresentazione complessa in banda base dei segnali. Processi aleatori. Modulazione digitale dei segnali. Il test di ipotesi. Spazio dei segnali. Rivelazione ottima su canale AWGN. Principi fondamentali di teoria della stima. Stima dei parametri con applicazione al problema della sincronizzazione. Comunicazione digitale su canali selettivi in frequenza. Esempi di mezzi trasmissivi. Rivelazione a massima verosimiglianza di sequenze di simboli. Algoritmo di Viterbi. Equalizzazione lineare. Principi di base della modulazione multiportante. Elementi fondamentali della teoria dell’informazione e della codifica di canale. Attività di laboratorio (Matlab/SDR).

Il campo sarà definito secondo l'aggiornamento delle Linee guida del PQA in fase di predisposizione.

Upamanyu Madhow, Fundamentals of Digital Communication, Cambridge, 2008.
Appunti delle lezioni.
Sergio Benedetto and Ezio Biglieri, Principles of Digital Transmission: with Wireless Applications, Plenum Pub. Corp., 1999.