Corso di laurea

Mechatronics Engineering

Università degli Studi di Trento · 61 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

AI and Embedded systems 1° anno · 15 CFU · IINF-01/A · 0 file
Automatic control 1° anno · 2° semestre · 6 CFU · IINF-04/A · 0 file

Fornire gli strumenti essenziali per l’analisi dei sistemi dinamici nel dominio del tempo continuo e discreto, dai sistemi lineari stazionari (time-invariant - LTI) a quelli non stazionari (time-varying – LTV). Al…

Scheda dell'insegnamento

Obiettivi formativi

Fornire gli strumenti essenziali per l’analisi dei sistemi dinamici nel dominio del tempo continuo e discreto, dai sistemi lineari stazionari (time-invariant - LTI) a quelli non stazionari (time-varying – LTV). Al termine del corso lo studente sarà in grado di: - simulare il comportamento di un sistema dinamico (con l’uso di Matlab) - comprendere la stabilità e la stabilità asintotica degli equilibri - progettare retroazioni stabilizzanti per sistemi dinamici a tempo continuo o discreto - progettare osservatori asintotici per la stima dello stato degli stessi sistemi - analizzare le proprietà strutturali in termini di osservabilità e controllabilità - eseguire la taratura dei parametri di controllo basata su ottimizzazione mediante la soluzione di disuguaglianze matriciali lineari (LMI).

Programma

Esempi di sistemi a tempo discreto e a tempo continuo. Notazione dei sistemi di controllo. Interconnessioni. Approssimazione lineare di sistemi non lineari e linearizzazione tramite retroazione. Illustrazione della linearizzazione mediante simulazioni in MATLAB/Simulink. Soluzioni di sistemi LTV e LTI. Calcolo dell’esponenziale di matrice tramite la forma normale di Jordan. Stabilità secondo Lyapunov. Esponenziali e potenze di matrici. Condizioni necessarie e sufficienti per la stabilità secondo Lyapunov dei sistemi LTI. Stabilità dei sistemi linearizzati localmente. Controllo ottimo LQR. Spazi controllabili/raggiungibili. Gramiani di raggiungibilità. Test di raggiungibilità per sistemi LTV e LTI. Assegnazione degli autovalori per sistemi a singolo ingresso. Osservabilità. Decomposizione di Kalman. Osservatori asintotici di Luenberger. Progetto con retroazione d’uscita e principio di separazione. Modulo di laboratorio sull’uso delle Diseguaglianze Matriciali Lineari (LMI) e del corrispondente Toolbox Matlab per la progettazione ottima di regolatori statici a retroazione di stato e di iniezione d’uscita negli osservatori di Luenberger. Breve introduzione alla teoria di Lyapunov per lo studio della stabilità dei sistemi non lineari e a leggi di controllo non lineari per bracci robotici.

Lezioni ed esercitazioni alla lavagna e alcune esercitazioni in aula per l'utilizzo del MATLAB, specialmente per l’utilizzo di Linear Matrix Inequalities in ambiente Matlab. Le soluzioni degli esami scritti passati vengono messi a disposizione degli studenti e svolti in classe.

Modalità d'esame

L'esame scritto e' obbligatorio e finalizzato a verificare la capacita' di risolvere problemi di controllo. Esso assegna un voto massimo di 22/30. La tesina pratica e' facoltativa e corrisponde al progetto di un sistema di controllo tramite ausilio di LInear Matrix Inequalities. Essa assegna un voto massimo di 4/30. L'esame orale, facoltativo, e' finalizzato a verificare la capacita' tecnico/scientifica dello studente. Esso richiede una conoscenza piu' approfondita della materia e permette di arrivare al massimo dei voti. La verbalizzazione del voto (scritto o orale) deve essere fatta di persona nella sessione zoom comunicata dal docente prima della fine della sessione di febbraio.

Testi di riferimento

I seguenti sono i testi consigliati. Essi sono citati nel registro delle lezioni, messo a disposizione degli studenti. [Hes09] J. Hespanha. Linear Systems Theory. Princeton University Press. 2009. [Tor06] A. Tornambè. Fondamenti di automatica. CLUT 2006. [Oga97] K. Ogata. Modern Control Engineering, third edition. Prentice Hall. 1997. [Dor10] R.C. Dorf and R.H. Bishop. Controlli Automatici, 11ma edizione. Pearson/Prentice Hall. 2010. [Che99] Chi-Tsong Chen. Linear Systems Theory and Design. Oxford University Press. 1999. [Gra11] Grasselli, Galeani, Menini. Sistemi dinamici. Hoepli. 2011. [Ast06] A. Astolfi. Systems and Control Theory: an Introduction. 2006. Available at: https://it.scribd.com/document/323835407/31851696 LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Hespanha, J. P. (2018). Linear systems theory (2. ed.). Princeton University Press. Tornambè, A. (2006). Fondamenti di automatica. CLUT. Ogata, K. (2010). Modern control engineering (5th ed., international ed.). Pearson. Dorf, R. C., & Bishop, R. H. (2010). Controlli automatici (11. ed.). Pearson Prentice Hall. Chen, C.-T. (2014). Linear system theory and design (International 4th ed.). Oxford university press. Grasselli, O. M., Menini, L., & Galeani, S. (2008). Sistemi dinamici : introduzione all’analisi e primi strumenti di controllo. Hoepli.

Codice insegnamento 50977_652030_91639

Design methods for industrial engineering 1° anno · 2° semestre · 6 CFU · IIND-03/B · 0 file

Il corso si propone di fornire agli allievi i criteri generali per l'impostazione di un progetto, la pianificazione del processo progettuale e la gestione del processo di progettazione. Al termine del corso gli allievi…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire agli allievi i criteri generali per l'impostazione di un progetto, la pianificazione del processo progettuale e la gestione del processo di progettazione. Al termine del corso gli allievi avranno appreso le modalità di rappresentazione e comunicazione degli intenti del progettista, attraverso le più recenti metodologie di gestione e comunicazione della documentazione tecnica. Avranno inoltre appreso i metodi per lo sviluppo della creatività, le tecniche di valutazione delle prestazioni dei prodotti e i principi base del Robust Design. Sapranno approcciare correttamente il processo di progettazione industriale come parte del ciclo di vita del prodotto (progettazione - produzione - verifica - distribuzione - manutenzione - ritiro e riuso/riciclo), correlando le problematiche relative alla definizione della forma, alla scelta di materiali e processi produttivi che possano garantire la funzionalità del prodotto.

Programma

1. Sviluppo prodotto con approccio concurrent engineering - le varie fasi del processo di progettazione: pianificazione della progettazione (Gannt chart), definizione delle specifiche (QFD), progettazione concettuale (tecniche di valutazione del processo di progettazione concettuale), progettazione di dettaglio 2. Metodologie per lo sviluppo della creatività e TRIZ, valutazione delle prestazioni dei prodotti, Robust Design. 3. Il processo di progettazione nel ciclo di vita del prodotto - Metodologie DF-X (DFM - Design For Manufacturing, DFA, Design For Assembly, DFR - Design For Reliability, DFTM - Design For Test and Maintenance, DFE - Design For Environment) e strumenti di sviluppo prodotto (CA-X Systems: CAD - Computer Aided Design, CAM - Computer Aided Manufacturing, CAE - Computer Aided Engineering, CAPP, Computer Aided Process Planning). Digital twinning e Cloud Based Design and Manufacturing. 4. Scelta di materiali e processi, e valutazioni di costi nel processo di progettazione 5. il processo di progettazione e le nuove tecnologie - Additive manufacturing e Reverse Engineering (AM-RE) 6. Caratterizzazione geometrica dei componenti e normativa di riferimento: tolleranze dimensionali e controllo di forma (Massimo e Minimo Materiale, Condizione Virtuale); riferimenti e sistemi di riferimento; tolleranze di forma, profilo, orientamento, posizione, oscillazione, definizione ed applicazioni; confronto normativa ASME ed ISO

Sono previste 32 ore di lezione frontale e 22 ore di esercitazioni. Nel corso delle esercitazioni, in un‘ottica di progettazione concorrente, gli studenti affronteranno lo sviluppo del processo di progettazione di un prodotto lavorando in piccoli gruppi, applicando i concetti presentati durante le lezioni. Nello specifico, la pianificazione del processo di progettazione (GANTT), definizione delle specifiche di prodotto (casa della qualità), DF-X, scelta di materiali e processi produttivi, modellazione 3D, validazione CAE, stima di costi e definizione delle specifiche geometriche nei disegni di dettaglio. Il giudizio sul progetto concorrerà alla determinazione del voto finale. Agli studenti è consigliato di frequentare le lezioni e di verificare gli appunti con le slides messe a disposizione dal docente sulla piattaforma Moodle e con i testi di riferimento consigliati.

Modalità d'esame

L'esame prevede una prova orale nel corso della quale saranno valutate le conoscenze acquisite e la capacità di applicarle a casi pratici. La valutazione della prova orale contribuisce al voto finale fino a un massimo di 20/30 punti. Il progetto sviluppato sulla base delle conoscenze acquisite durante le esercitazioni sarà consegnato prima dello svolgimento dell'esame orale, comunicazioni in merito su Moodle. La valutazione del progetto contribuisce al voto finale fino a un massimo di 10/30 punti. L'eventuale attribuzione della lode è facoltà della commissione.

Testi di riferimento

D.G. Ullman, The Mechanical Design Process, Mc Graw-Hill, 2002 D. M. Anderson, Design for Manufacturability and Concurrent Engineering, CIM Press, 2008 Orloff M. A., Inventive thinking through TRIZ: a practical guide, Springer, 2003 M. S. Phadke, Quality engineering using robust design, Prentice-Hall international, 1989 D.C. Montgomery, Design and Analysis of Experiments,John Wiley and Sons Inc, 1997 M. M. Farag, Materials and process selection for industrial design, CRC Press, 2007 M.F. Ashby, Materials selection in mechanical design, Butterworth-Heinemann, 2005 Alex Krulikowski, 2009 Ultimate GD&T Pocket Guide 2nd Ed, SAE International, 2017 Alex Krulikowski, ISO GPS Ultimate Pocket Guide, Effective Training Inc. an SAE International Company, 2015 Cristofolini I., TOLLERANZE GEOMETRICHE Principi ed elementi secondo la normativa ASME Y14.5M-1994, Dipartimento di Ingegneria Meccanica e Strutturale 2001 Sulla piattaforma Moodle del corso sono disponibili le slides delle lezioni

Codice insegnamento 50980_652072_92040

Design of precision systems 1° anno · 2° semestre · 6 CFU · IMIS-01/A · 0 file

Il corso si prefigge l'obiettivo formativo di insegnare le basi della progettazione e realizzazione di sistemi di misura di precisione. Alla fine del corso, la frequenza e la partecipazione attiva alle tre attività…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si prefigge l'obiettivo formativo di insegnare le basi della progettazione e realizzazione di sistemi di misura di precisione. Alla fine del corso, la frequenza e la partecipazione attiva alle tre attività formative proposte dal corso e lo studio individuale consentiranno a studenti/studentesse di: COMPRENDERE il significato di precisione, accuratezza e risoluzione, nonché l'importanza della corretta definizione di requisiti e specifiche nelle fasi iniziali della progettazione di sistemi di precisioneANALIZZARE vantaggi e svantaggi di varie alternative concettuali all progetto del sistema, in coerenza con requisiti e specifiche e secondo le metodologie QFD e concurrent engineeringVALUTARE le prestazioni di differenti soluzioni sia in forma di modello simulato che di prototipo, prendendo decisioni robuste in condizioni di conoscenza limitataCREARE il progetto di un sistema/strumento di misura di precisione

Programma

La parte teorica del corso si divide in 4 sezioni: 1. Progettazione di sistemi: cos'è l'ingegneria di precisione; metodi per la progettazione di sistemi. 2. Sistemi di precisione: Assiemi, allineamento e sorgenti di errore; progettazione cinematica; movimento di precisione e snodi a flessione 3. Sistemi di misura: aspetti statistici; metrologia dimensionale; incertezza e propagazione dell'incertezza 4. Sorgenti di disturbo: loop di forza e di misura; isolamento e selezione dei materiali; sistemi di controllo. All'interno del corso gli studenti dovranno anche lavorare in gruppo alla progettazione e realizzazione di un sistema di misura di spostamento di precisione, applicando direttamente le competenze acquisite.

A partire dall'A.A. 2025/26, Il corso aderisce al programma BLENDED LEARNING promosso dall'Università di Trento per sperimentare nuove metodologie didattiche. In questo contesto, il corso viene offerto in formato Flipped Classroom: se nella didattica tradizionale c'è un momenti di trasmissione della conoscenza (lezione frontale in classe) seguito da un momento di elaborazione e comprensione personale (studio autonomo da parte dello studente), nella FP i due momenti vengono ribaltati: la trasmissione della conoscenza avviene in maniera asincrona, con lo studente che in autonomia consulta il materiale multimediale (videolezioni, articoli, libri di testo precedentemente selezionati dal docente), mentre l'elaborazione avviene in classe, in forma di discussioni collettive e presentazioni tenute dagli studenti sotto la supervisione del docente. Con il supporto della piattaforma Moodle, il contenuto del corso sarà quindi diviso in moduli. Per ciascun modulo: In classe: una breve introduzione del docente illustra l'organizzazione del materiale di studioOffline: gli studenti dedicano studio personale al materiale e si preparano a discuterlo come se dovessero tenere loro una lezione sugli argomenti affrontatiIn classe: uno o più studenti presentano un riassunto degli argomenti studiati, a cui segue un momento di discussione, correzione e approfondimento sotto la supervisione del docente Il metodo richiede evidentemente che gli studenti si dedichino con costanza durante il semestre allo studio progressivo degli argomenti affrontati; al tempo stesso, il tempo trascorso in classe è inferiore (30-40 ore anziché 60), e così pure il tempo necessario alla preparazione dell'esame finale. Il metodo, inoltre, è evidentemente pensato per studenti frequentanti. Per costoro, il progresso sarà valutato mediante il conseguimento di un numero minimo di badge Moodle: ogni partecipazione attiva ai momenti di discussione in classe (in forma di presentazioni o mini-lezioni) comporta il conseguimento di un badge e consente di verificare l'effettiva partecipazione dello studente alla sperimentazione FC. Gli studenti non frequentanti potranno preparare l'esame studiando autonomamente sul materiale comune, predisposto e disponibile su Moodle.

Modalità d'esame

Data l'erogazione del corso in modalità flipped classroom, i metodi di accertamento sono differenti per gli studenti/studentesse frequentanti e per gli studenti/studentesse non frequentanti. Per i frequentanti È richiesta la partecipazione attiva (cioè presenza in classe per almeno l'80% delle lezioni e con almeno un intervento e una presentazione) alle lezioni in flipped classroom, durante le quali il docente darà dei feedback diretti allo studente/studentessa, e la partecipazione attiva al projectwork in gruppo. Sotto queste condizioni, l'esame consiste di una prova orale durante la quale verrà verificato il raggiungimento degli obiettivi formativi del corso mediante 2 domande a carattere sia teorico che pratico (esercizi di calcolo). Per i non frequentanti La comprensione e la padronanza delle conoscenze fornite dal corso sono verificate mediante un esame scritto erogato come quiz Moodle seguito da una prova orale opzionale. Il quiz Moodle, erogato in laboratorio PC, comprende domande a risposta multipla, brevi esercizi di programmazione e esercizi di calcolo. La prova orale opzionale, da sostenere il giorno stesso dello scritto, consiste in due/tre domande ed è un approfondimento sugli argomenti dello scritto e sugli argomenti trattati nel corso. La prova scritta consente di raggiungere una votazione massima di 26/30; la prova orale, qualora positiva, consente di raggiungere la votazione massima migliorando o peggiorando il voto dello scritto. I criteri di valutazione mirano a verificare il raggiungimento delle capacità di comprensione, analisi, valutazione e creazione indicate negli obiettivi formativi.

Testi di riferimento

Contenuti del corso: - David G. Ullman, "The Mechanical Design Process", McGraw-Hill - R. Leach, S. Smith, "Basics of Precision Engineering", CRC Press - Stuart T. Smith, "Flexures - Elements of Elastic Mechanisms", CRC Press Consultazione: - Nicolae Lobonțiu, "Compliant Mechanisms - Design of Flexure Hinges", CRC Press

Codice insegnamento 51383_659043_95848

Digital manufacturing 1° anno · 1° semestre · 6 CFU · IIND-04/A · 0 file

Il corso si prefigge l'obiettivo di formare un ingegnere che sia a suo agio nella progettazione e sviluppo di sistemi manifatturieri digitali. Per raggiungere questo scopo è necessario: comprendere il processo…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si prefigge l'obiettivo di formare un ingegnere che sia a suo agio nella progettazione e sviluppo di sistemi manifatturieri digitali. Per raggiungere questo scopo è necessario: comprendere il processo manifatturiero in esame e l'architettura del sistema di produzionevalutare gli aspetti critici del processo/sistema produttivo in esame, soprattutto nell'ottica della precisioneapplicare le conoscenze di meccanica e dinamica alla formulazione di opportuni algoritmi di pianificazione e controllosviluppare un algoritmo di pianificazione e controllo del moto, implementandolo in forma prototipale in un software funzionante Per il raggiungimento di questi obiettivi, il corso prende dunque in esame un'architettura di macchina utensile di riferimento (una macchina a tre assi cartesiani), ne descrive gli algoritmi di controllo e la relativa implementazione in linguaggio C++. Buona parte del corso è infatti dedicata alla realizzazione del software di controllo (CNC) programmando assieme, in classe, il codice necessario con un approccio top-down e object-oriented.

Programma

Per Digital Manufacturing si intendono le tecnologie necessarie a integrare un sistema manifatturiero in un processo di produzione digitalizzato, cioè controllando le operazioni di una macchina utensile sulla base di informazioni puramente digitali, tipicamente fornite al controllore sotto forma di un linguaggio dedicato. Il corso si divide in due sezioni: la prima sezione (circa un terzo del corso) si focalizza sui sistemi di manifattura basati su macchine utensili a controllo numerico e sull'architettura e sui principi di funzionamento delle stesse macchine. La seconda sezione si occupa quindi della parte digitale di un sistema manifatturiero, ovvero il controllo numerico computerizzato (CNC) e i linguaggi di descrizione di un programma di lavorazione. Durante questa seconda sezione, verranno descritti gli algoritmi di controllo dell'utensile. Gli stessi algoritmi verranno implementati in linguaggio C++.

Il corso è erogato sotto forma di lezioni frontali e lavoro di gruppo al calcolatore per lo sviluppo del software di controllo. Il materiale utilizzato durante le lezioni è disponibile sulla piattaforma Moodle del corso. Il software sviluppato sarà gradualmente messo a disposizione su GitHub. È opportuno che ogni studente lavori sul proprio laptop. Il software verrà sviluppato in ambiente Linux, tuttavia NON è necessario che chi non dispone di Linux lo installi: per chi ha una macchina Windows verrà utilizzato l'ambiente WSL2, per chi ha una macchina MacOS verrà utilizzato l'ambiente Unix già disponibile su questo sistema operativo. Le istruzioni di installazione verranno fornite durante il corso. Verrà utilizzato esclusivamente software gratuito e/o open source. È fortemente consigliato di seguire l'introduzione alla programmazione su Linux su questo modulo Moodle: https://didatticaonline.unitn.it/dol/course/view.php?id=27717 Durante il corso, verrà anche introdotta la programmazione assistita da modelli AI/LLM.

Modalità d'esame

Il raggiungimento degli obiettivi formativi è verificato mediante un esame scritto (erogato come quiz Moodle) seguito da una prova orale opzionale. L'esame scritto consiste in circa 10 domande di vario tipo (risposta multipla, esercizio di calcolo, sviluppo di un breve codice in C++), mentre la prova orale consiste di 2/3 domande di approfondimento. La prova scritta consente di raggiungere una votazione massima di 26/30; la prova orale, qualora positiva, consente di raggiungere la votazione massima migliorando o peggiorando il voto dello scritto. I criteri di valutazione mirano a verificare il raggiungimento delle capacità di comprensione, analisi, valutazione e creazione indicate negli obiettivi formativi.

Testi di riferimento

Yusuf Altintas, "Manufacturing automation : metal cutting mechanics, machine tool vibrations, and CNC design", Cambridge University Press, 2000

Codice insegnamento 51383_659041_97609

Digital signal processing for mechatronics 1° anno · 1° semestre · 6 CFU · IMIS-01/B · 0 file

L’insegnamento fornisce conoscenze e competenze avanzate relative agli algoritmi e alle tecniche di elaborazione numerica dei segnali per applicazioni di misura e controllo in sistemi meccatronici. Al termine…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento fornisce conoscenze e competenze avanzate relative agli algoritmi e alle tecniche di elaborazione numerica dei segnali per applicazioni di misura e controllo in sistemi meccatronici. Al termine dell’insegnamento, lo/la studente/essa sarà in grado di: • Analizzare segnali nel dominio della frequenza, interpretandone correttamente lo spettro; • Descrivere e interpretare il comportamento di sistemi lineari tempo-invarianti nel dominio del tempo e della frequenza; • Progettare e applicare tecniche di filtraggio digitale, selezionando la soluzione più appropriata in funzione del contesto applicativo.

Programma

L’insegnamento prevede la trattazione dei seguenti macro-argomenti: 1. Fondamenti di segnali e sistemi Richiami sui segnali deterministici tempo-continui e tempo-discreti e cenni ai processi aleatori. Proprietà fondamentali dei sistemi SISO, risposta impulsiva e convoluzione, con introduzione ai sistemi FIR e IIR. 2. Analisi spettrale dei segnali Trasformata di Fourier nel dominio continuo e discreto, DFT e FFT. Problematiche di campionamento e stima spettrale, inclusi effetti di leakage, risoluzione, finestratura. Definizione e stima della densità spettrale di potenza. 3. Analisi di sistemi lineari tempo-invarianti Risposta in frequenza e caratteristiche dei filtri ideali, elaborazione di segnali aleatori stazionari, trasformata Z e relazioni con la trasformata discreta di Fourier, analisi di stabilità e discretizzazione di sistemi continui. 4. Progettazione di filtri digitali Principi di progettazione di filtri FIR e IIR, con cenni ai metodi a finestra e alla trasformazione bilineare. Confronto tra strutture e implicazioni implementative. 5. Feature extraction e DSP per machine learning Segmentazione dei segnali e costruzione del feature vector a partire da indicatori nel dominio del tempo e della frequenza (RMS, kurtosis, indicatori spettrali, envelope spectrum), con tecniche di normalizzazione e riduzione dimensionale (PCA). Strutturazione del dataset e implementazione della pipeline di classificazione per applicazioni di condition monitoring.

Le attività didattiche sono progettate in coerenza con i risultati di apprendimento attesi e comprendono lezioni frontali teoriche (circa 40 ore), finalizzate alla sistematizzazione dei fondamenti metodologici dell’elaborazione numerica dei segnali, integrate da attività pratiche (circa 12 ore) in ambiente LabVIEW o Matlab. Sono inoltre previste esercitazioni su problemi analoghi a quelli proposti in sede d’esame e momenti di verifica formativa in itinere, anche mediante quesiti a risposta multipla, volti a consolidare la comprensione dei contenuti e a favorire l’autovalutazione. Le attività di apprendimento richieste allo/a studente/essa comprendono la partecipazione attiva alle lezioni, lo studio individuale dei materiali didattici, la rielaborazione autonoma degli esercizi e l’applicazione degli strumenti metodologici presentati, al fine di sviluppare capacità di analisi e progettazione coerenti con gli obiettivi dell’insegnamento.

Modalità d'esame

La verifica dell’apprendimento è finalizzata ad accertare il raggiungimento dei risultati di apprendimento attesi, in particolare in termini di: (i) conoscenza e comprensione dei fondamenti teorici dell’elaborazione numerica dei segnali; (ii) capacità di analisi di segnali e sistemi lineari tempo-invarianti; (iii) capacità di applicazione e progettazione di filtri digitali in contesti ingegneristici. La valutazione avviene mediante una prova scritta obbligatoria, articolata in tre parti: • due domande a risposta aperta, volte a verificare la comprensione teorica, la capacità di rielaborazione critica e l’uso appropriato del linguaggio tecnico; • un esercizio applicativo, finalizzato ad accertare la capacità di applicare metodi e strumenti alla risoluzione di problemi; • un quiz di 8 domande a risposta multipla e/o breve, con lieve penalizzazione per le risposte errate, volto a verificare la comprensione dei contenuti nel loro complesso. I criteri di valutazione comprendono: correttezza e completezza delle risposte, coerenza logico-metodologica del procedimento risolutivo, capacità di applicazione degli strumenti teorici, chiarezza e appropriatezza del lessico tecnico. Il voto finale, espresso in trentesimi, è determinato dalla somma dei punteggi attribuiti alle singole parti della prova eventualmente scalato di un fattore comune sulla base dell’andamento complessivo della specifica sessione d’esame. È prevista una prova orale facoltativa, su richiesta dello/a studente/essa, finalizzata ad approfondire la verifica delle competenze acquisite; essa diviene tuttavia obbligatoria nei casi in cui l’esito della prova scritta risulti ai limiti della sufficienza (leggermente inferiore a 18). La prova orale può comportare una variazione del voto della prova scritta indicativamente entro ±3 punti. Durante la prova scritta non è consentita la consultazione di testi, appunti o dispositivi elettronici; è ammesso esclusivamente l’uso di calcolatrici scientifiche non programmabili.

Testi di riferimento

  • Materiali didattici forniti dal docente - Slide utilizzate a lezione; dispensa con esercizi simili a quelli di esame; esempi di codice in MATLAB; registrazioni audio-video delle lezioni. Il materiale suddetto sarà reso disponibile tramite la piattaforma didattica di Ateneo. - Testi consigliati per l’approfondimento • A. V. Oppenheim, R. W. Schafer, Discrete-Time Signal Processing, Prentice Hall. • J. Tuma, Vehicle Gearbox Noise and Vibration: Measurement, Signal Analysis, Signal Processing and Noise Reduction Measures, John Wiley & Sons Inc. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Oppenheim, A. V., Schafer, R. W., & Buck, J. R. (2014). Discrete-time signal processing (3rd ed.). Prentice-Hall. Tuma, J. (2014). Vehicle gearbox noise and vibration : measurement, signal analysis, signal processing and noise reduction measures. Wiley.

Codice insegnamento 50977_652050_95334

Mechanical design for mechatronics 1° anno · 2° semestre · 9 CFU · IIND-03/A · 0 file

In coerenza con gli obiettivi formativi del corso di studio, l’insegnamento fornisce conoscenze e competenze sulle metodologie della progettazione meccanica e meccatronica. L’insegnamento si propone di fornire agli…

Scheda dell'insegnamento

Obiettivi formativi

In coerenza con gli obiettivi formativi del corso di studio, l’insegnamento fornisce conoscenze e competenze sulle metodologie della progettazione meccanica e meccatronica. L’insegnamento si propone di fornire agli studenti una generale comprensione dei principali componenti meccanici utilizzati nei dispositivi meccatronici, quali collegamenti permanenti e non permanenti, alberi, molle, cuscinetti, ingranaggi ed elementi per il controllo delle vibrazioni. A termine dell’insegnamento, lo/la studente/essa sarà in grado di: interpretare lo stato di sforzo e deformazione dei componenti meccanici;comprendere, identificare e quantificare le modalità di cedimento delle parti meccaniche;riconoscere gli elementi costruttivi fondamentali utilizzati nella progettazione di macchine;dimensionare gli elementi costruttivi fondamentali utilizzati nella progettazione di macchine affinché resistano ai carichi e alle deformazioni previsti per una determinata applicazione, tenendo conto delle specifiche tecniche;affrontare un problema di progettazione meccanica seguendone le fasi metodologiche dall'identificazione delle specifiche e dei vincoli, alla generazione di concetti alternativi, fino alla scelta della soluzione ottimale;presentare le analisi condotte in un formato di relazione tecnica scritta appropriato, tale da consentire a una persona tecnicamente qualificata di seguire il processo e ottenere risultati analoghi.

Programma

Parte 1: Fondamenti. Note introduttive sul processo di progettazione meccanica, requisiti di progetto, codici e standard normativi, note tecniche e disegni. Parte 2: Dimensionamento. Prevenzione dei meccanismi di rottura derivanti da carichi statici, carichi variabili (fatica), urti, coefficiente di sicurezza e affidabilità. Parte 3: Elementi Meccanici. Alberi e componenti per alberi, viti e collegamenti non permanenti, saldatura e collegamenti permanenti, molle meccaniche, cuscinetti volventi, lubrificazione e cuscinetti idrodinamici. Parte 4: Sensori e Trasduttori. Selezione, gestione dei cablaggi e montaggio di un trasduttore. Parte 5: Elementi per la Trasmissione di Potenza. Ingranaggi e giunti d’albero. Parte 6: Dinamica. Introduzione al controllo delle vibrazioni: modifica strutturale, isolamento, assorbitori dinamici e smorzamento strutturale. (Opzionale) Approcci basati sulla mobilità e dinamica dei rotori.

Le lezioni saranno suddivise in 52 ore di didattica erogativa e 30 di didattica interattiva. In particolare, i metodi didattici includeranno: • lezioni in presenza con supporto di slide e lavagna per le basi teoriche; • esercitazioni guidate in aula su problemi di progettazione di component meccanici; • sessioni di laboratorio progettuale in gruppo per l'applicazione pratica dei concetti; • seminari aziendali con l'obiettivo di esporre lo studente alle attuali pratiche lavorative. Le attività di apprendimento che saranno richieste allo studente includono: • lo studio individuale dei materiali forniti e delle note di lezione; • la partecipazione attiva alle esercitazioni guidate; • la realizzazione di un progetto di gruppo.

Modalità d'esame

Esame Finale (80%): Prova scritta obbligatoria (soluzione di problemi progettuali) seguita da una prova orale (discussione dei concetti teorici). La valutazione terrà conto della correttezza tecnica, del rigore nel processo di calcolo e della proprietà di linguaggio tecnico. Lavoro di Gruppo (20%): Un progetto di design verrà assegnato all’inizio del corso. La valutazione sarà basata sulle interazioni durante le periodiche revisioni del progetto e sul report finale.

Testi di riferimento

1. R.G. Budynas, J.K. Nisbett: ‘Shigley’s Mechanical Engineering Design’ Mc Graw Hill, 2012 2. R.C. Juvinall, K.M Marshek ‘Fundamentals of Machine Component Design’ John Wiley & Sons 2011 3. R.L. Norton: ‘Machine Design: An integrated approach’ Pearson, 2013 4. A. De Paulis, E. Manfredi: ‘Costruzione di macchine’ Pearson, 2012 5. Herbert Wittelet al ‘Roloff/MatekMaschinenelemente’ Vieweg+TeubnerVerlag2011 LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Budynas, R. G., & Nisbett, J. K. (2019).Shigley’s Mechanical Engineering Design . McGraw-Hill. Juvinall, R. C., & Marshek, K. M. (2021).Fundamentals of Machine Component Design . Wiley. Norton, R. L. (2020). Machine Design: An integrated approach . Pearson. De Paulis, A., & Manfredi, E. (2020).Costruzione di macchine . Pearson. Wittel, H. et al. (2025). Roloff/Matek Maschinenelemente . Vieweg+Teubner Verlag.

Codice insegnamento 50977_652024_95333

Mechatronic Systems Analysis 1° anno · 12 CFU · IIND-02/A · 0 file
Numerical optimization and optimal control for dynamical systems 1° anno · 1° semestre · 6 CFU · MATH-05/A · 0 file

Il modulo ha l’obiettivo di fornire agli studenti le conoscenze teoriche e gli strumenti computazionali necessari per la formulazione, l’analisi e la soluzione numerica di problemi relativi a sistemi dinamici,…

Scheda dell'insegnamento

Obiettivi formativi

Il modulo ha l’obiettivo di fornire agli studenti le conoscenze teoriche e gli strumenti computazionali necessari per la formulazione, l’analisi e la soluzione numerica di problemi relativi a sistemi dinamici, ottimizzazione vincolata, equazioni differenziali-algebriche e controllo ottimo. In particolare, il modulo introduce i principali metodi numerici per la soluzione di equazioni differenziali ordinarie, con attenzione agli aspetti di accuratezza, stabilità e convergenza; presenta i fondamenti dell’ottimizzazione vincolata, incluse le condizioni di ottimalità basate sui moltiplicatori di Lagrange e sulle condizioni di Karush-Kuhn-Tucker (KKT); introduce la teoria e i metodi numerici per le equazioni differenziali-algebriche (DAE), con particolare riferimento al concetto di indice e alle tecniche di riduzione dell’indice, stabilizzazione e proiezione; infine, introduce la formulazione matematica dei problemi di controllo ottimo e i relativi metodi di soluzione diretti e indiretti, con particolare riferimento al Principio del Minimo di Pontryagin. Al termine del modulo, lo studente sarà in grado di: formulare e analizzare sistemi di equazioni differenziali ordinarie;applicare i principali metodi numerici per la soluzione di ODE, inclusi i metodi di Euler, Runge-Kutta e multistep;analizzare accuratezza, stabilità e convergenza di uno schema di integrazione numerica;formulare problemi di ottimizzazione soggetti a vincoli di uguaglianza e disuguaglianza;derivare e interpretare le condizioni di ottimalità basate sui moltiplicatori di Lagrange e sulle condizioni KKT;applicare i principali metodi numerici trattati nel corso per problemi di ottimizzazione vincolata;riconoscere le caratteristiche fondamentali di un sistema differenziale-algebrico e comprenderne il concetto di indice;analizzare le condizioni iniziali e i vincoli di un sistema DAE e applicare le tecniche di riduzione dell’indice e stabilizzazione presentate nel corso;formulare matematicamente un problema di controllo ottimo identificandone dinamica, funzionale obiettivo, variabili di controllo e vincoli;utilizzare il calcolo delle variazioni e il Principio del Minimo di Pontryagin per ricavare condizioni necessarie di ottimalità;distinguere tra metodi diretti e indiretti per la soluzione numerica di problemi di controllo ottimo;affrontare problemi teorici e computazionali relativi agli argomenti del modulo, scegliendo opportunamente gli strumenti matematici e numerici da utilizzare.

Programma

Equazioni differenziali ordinarie (ODE) * Equazioni differenziali ordinarie e sistemi di ODE. * Esistenza e unicità delle soluzioni. * Metodo di Euler. * Schemi numerici basati sulle espansioni di Taylor. * Metodi di Runge-Kutta. * Metodi multistep: Adams-Bashforth e Adams-Moulton. * Accuratezza, stabilità e convergenza dei metodi numerici. Ottimizzazione vincolata * Problemi di minimizzazione con vincoli di uguaglianza. * Moltiplicatori di Lagrange. * Problemi di minimizzazione con vincoli di disuguaglianza. * Condizioni di Karush-Kuhn-Tucker (KKT). * Metodi numerici per l’ottimizzazione vincolata. * Projected Gradient Descent. * Proximal e Subgradient Descent. * Metodo di Newton. * Metodi quasi-Newton. * Metodi di Nesterov e Heavy Ball. * Coordinate Descent. * Condizioni di Armijo e metodo di Frank-Wolfe. Equazioni differenziali-algebriche (DAE) * Indice di differenziazione. * Condizioni iniziali e vincoli. * Sistemi DAE lineari a coefficienti costanti. * Forma canonica di Kronecker. * Indice algebrico. * Relazione tra indice e integrazione numerica. * Forme di Hessenberg. * Tecniche di riduzione dell’indice per forme di Hessenberg. * Metodo di stabilizzazione di Baumgarte. * Partizionamento generalizzato delle coordinate. * Metodo delle dummy derivatives. * Metodi numerici per sistemi DAE. Controllo ottimo * Funzionali e loro proprietà fondamentali. * Minimizzazione di funzionali. * Principi variazionali e calcolo delle variazioni. * Formulazione matematica di un problema di controllo ottimo. * Dinamica, obiettivi e vincoli. * Principio del Minimo di Pontryagin. * Metodi diretti per problemi di controllo ottimo. * Metodi indiretti per problemi di controllo ottimo.

L’attività didattica è organizzata attraverso lezioni dedicate alla presentazione degli aspetti teorici e dei metodi computazionali trattati nel modulo, accompagnate dalla discussione e dalla soluzione di problemi ed esercizi. Materiale didattico, dispense, esercizi e risorse supplementari sono messi a disposizione attraverso la piattaforma Moodle. Agli studenti è richiesto di seguire lo sviluppo teorico degli argomenti, studiare il materiale fornito e applicare i metodi presentati alla soluzione di esercizi e problemi teorici e computazionali.

Modalità d'esame

L’esame consiste in una prova scritta comprendente esercizi e problemi relativi agli argomenti trattati durante il modulo. La prova è finalizzata a verificare la comprensione dei concetti teorici e la capacità dello studente di applicare correttamente gli strumenti matematici e i metodi computazionali presentati durante il corso. La valutazione tiene conto della correttezza del procedimento e dei risultati, della capacità di impostare e risolvere il problema proposto, dell’uso appropriato dei metodi matematici e numerici e della chiarezza dell’esposizione.

Testi di riferimento

Materiale principale: * Slides e materiale didattico aggiuntivo disponibili sulla piattaforma Moodle. Testi e materiale di approfondimento: * Andrea Calogero, Notes on Optimal Control Theory. * Pravin Varaiya, Lecture Notes on Optimization. * Moritz Diehl and Sébastien Gros, Numerical Optimal Control. * Lawrence C. Evans, An Introduction to Mathematical Optimal Control Theory, Version 0.2. * Daniel Liberzon, Calculus of Variations and Optimal Control Theory.

Codice insegnamento 51383_659042_97611

AI and on-board computing design 2° anno · 6 CFU · IINF-05/A · 0 file
Advanced mechanical systems 2° anno · 6 CFU · IIND-02/A · 0 file

In questo corso, gli studenti imparano a modellare, progettare e descrivere sistemi multi-fisici di rilevanza tecnica, con particolare attenzione agli azionamenti e ai trasduttori elettromeccanici e fluidici. Al…

Scheda dell'insegnamento

Obiettivi formativi

In questo corso, gli studenti imparano a modellare, progettare e descrivere sistemi multi-fisici di rilevanza tecnica, con particolare attenzione agli azionamenti e ai trasduttori elettromeccanici e fluidici. Al termine del corso, gli studenti saranno in grado di: Costruire modelli a parametri concentrati di trasduttori e sistemi multi-fisiciCostruire e risolvere numericamente (con Matlab & Simulink) modelli dinamici di semplici sistemi multi-fisiciComprendere e descrivere il principio di funzionamento di sistemi tecnicamente rilevanti (macchine elettrostatiche, azionamenti elettromagnetici, azionamenti pneumatici e idraulici)Leggere datasheet e comprendere i vincoli tecnologici dei diversi tipi di azionamenti Il corso inizia con un’introduzione sui metodi energetici per la modellazione di sistemi multi-fisici, per poi presentare una panoramica di sistemi di rilevanza tecnica (macchine elettrostatiche, elettromagnetiche, pneumatiche e idrauliche). Per ciascuna delle tecnologie considerate vengono discussi approcci di modellazione, principi di progettazione e vincoli tecnologici. I concetti teorici sono supportati da esercitazioni ed esempi in ambiente Matlab & Simulink.

Programma

1. Introduzione alla modellazione dei sistemi multi-fisicia. Metodi energetici ed equazioni di Lagrange b. Esempi e introduzione a Simulink 2. Sistemi elettrostaticia. Richiami di elettrostatica b. Trasduttori elettrostatici c. Trasduttori piezoelettrici 3. Sistemi elettromagneticia. Richiami di magnetostatica ed elettrodinamica b. Trasduttori a riluttanza variabile c. Voice coils e motori lineari 4. Azionamenti a fluidoa. Introduzione ai sistemi termo-meccanici e fluidici b. Azionamenti pneumatici c. Azionamenti idraulici

Lezioni frontali (slide e lavagna)Esercitazioni (lavagna)Laboratorio di simulazione (Matlab/Simulink)Homeworks (problemi di progettazione/modellazione)

Modalità d'esame

Durante il corso, agli studenti verranno assegnati 1 o 2 homeworks (da svolgere in Matlab, Simulink o in qualsiasi altro software a scelta dello studente), che consistono in casi di studio di progettazione/analisi dei sistemi tecnici trattati a lezione. L’esame finale è composto da due parti: Una prova scritta (open book), in cui allo studente vengono proposti alcuni problemi e/o domande sugli argomenti trattati a lezioneUna prova orale, in cui allo studente viene chiesto di discutere gli homeworks e rispondere ad alcune domande relative alla prova scritta e/o al programma del corsoPer essere ammessi alla prova orale, gli studenti devono superare la prova scritta.

Testi di riferimento

Il materiale didattico sarà condiviso dal docente durante il corso. I seguenti testi possono costituire un utile strumento di supporto e approfondimento degli argomenti trattati a lezione: Preumont, A. (2006). Mechatronics: dynamics of electromechanical and piezoelectric systems. Dordrecht: Springer Netherlands.Isermann, R. (2007). Mechatronic systems: fundamentals. Springer Science & Business Media.Karnopp, D. C., Margolis, D. L., & Rosenberg, R. C. (2012). System dynamics: modeling, simulation, and control of mechatronic systems. John Wiley & Sons. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Preumont, A. (2011). Mechatronics : dynamics of electromechanical and piezoelectric systems. Springer. Isermann, R. (2005). Mechatronic systems : fundamentals. Springer .Karnopp, D. C., Margolis, D. L., & Rosenberg, R. C. (2012). System dynamics : modeling, simulation, and control of mechatronic systems (5th ed.). Wiley.

Codice insegnamento 50980_652077_95336

Distributed robotics and perception 2° anno · 6 CFU · IMIS-01/B · 0 file
Dynamic robot control 2° anno · 6 CFU · IINF-04/A · 0 file
Electronics and instrumentation for power systems 2° anno · 6 CFU · IMIS-01/B · 0 file
Final project 2° anno · 18 CFU · 0 file
Functional and smart materials 2° anno · 6 CFU · IMAT-01/A · 0 file

Obbiettivo del corso è quello di fornire conoscenze relative a: - principali materiali funzionali e intelligenti con accenno alla nuova classe dei metamateriali - loro funzionamento e ruolo della microstruttura nel…

Scheda dell'insegnamento

Obiettivi formativi

Obbiettivo del corso è quello di fornire conoscenze relative a: - principali materiali funzionali e intelligenti con accenno alla nuova classe dei metamateriali - loro funzionamento e ruolo della microstruttura nel determinare le loro proprietà (fisiche, chimiche, termiche, meccaniche, ottiche, elettromagnetiche….) - tecnologie di produzione e controllo di tali materiali - principali applicazioni dei materiali funzionali nei vari settori ingegneristici - indicazioni sul design con i materiali funzionali Al termine del corso gli studenti frequentanti saranno in grado di: - comprendere i meccanismi di funzionamento dei materiali funzionali - scegliere il materiale funzionale o meno più opportuna per una applicazione intelligente - conoscere la struttura e microstruttura migliore per l’applicazione - comprendere il funzionamento di diversi dispositivi come attuatori e sensori e il ruolo del materiale funzionale - possibilità e limiti dei dispositivi che utilizzano materiali funzionali - costi e benefici di tali materiali

Programma

Introduzione ai materiali funzionali e loro applicazioni I materiali funzionali e intelligenti trattati vengono divisi per tipo di funzionamento. Per ogni materiale nel corso viene affrontato: - struttura e microstruttura del materiale che ne determina il funzionamento - proprietà del materiale con particolare enfasi alla loro funzionalità - metodi di produzione e design/applicazione - corretto utilizzo, limiti e benefici del materiale - applicazioni principali con esempi di funzionamento Materiali a cambiamento di forma (caratteristiche di memoria): - leghe a memoria di forma - ceramici a memoria di forma - polimeri a memoria di forma - geli e idrogeli Materiali elettroceramici: - Materiali piezoelettrici - Materiali piroelettrici - Materiali elettro-ottici - Materiali elettrostrittivi Altri materiali: - Materiali magnetostrittivi - Materiali magneto ed elettro-reologici - Fibre ottiche e sensori - Materiali magnetoresistivi - Materiali mgnetocalorici - Calcogenuri e memorie ottiche - Materiali fotovoltaici - Materiali per memorie dei computers - Materiali funzionali per l’energia: supercondensatori, immagazzinamento idrogeno etc. - Nano e Metamateriali: nano, metamateriali per proprietà meccaniche, metamateriali elettromagnetici

Lezioni in aula: Il corso si svolge principalmente in aula con lezioni frontali. Di volta in volta, per alcuni tipi di materiali, verranno organizzate delle piccole dimostrazioni in classe sul loro funzionamento e uso. Gli studenti frequentanti avranno possibilità diretta di toccare con mano il materiale, analizzarne le caratteristiche visibili e sperimentare lui stesso il funzionamento. Non tutti i materiali funzionali si prestano a tali dimostrazioni, ma un discreto numero lo è. Per i materiali che non si prestano a tali dimostrazioni attive, verrano mostrati video di funzionamento e/o immagini. Tutte le lezioni del corso sono fornite anche come documenti PDF delle slides utilizzate e forniti in anticipo rispetto alla lezione, in modo che lo studente possa seguire meglio la lezione eventualmente appuntando sui documenti già disponibili. Per i non frequentanti o lezioni mancate sono disponili video delle lezioni passate registrate in classe. Visite di studio: Possibilita' di una visita di studio ad un laboratorio speciale per la produzione di materiali funzionali

Modalità d'esame

L’esame è solo orale. L’esame consiste nella risposta a 3 domande su 3 argomenti differenti affrontati durante il corso. Le domande sono abbastanza ampie per permettere allo studente di poter gestire la propria esposizione dell’argomento. Per le prime due domande, queste vengono fornite all’inizio e lo studente ha a disposizione 15 minuti per preparare la propria esposizione. Questo viene fatto per permettere agli studenti non di lingua inglese di poter organizzare i loro pensieri e materiale nella loro lingua nativa e potersi poi concentrare meglio sull’esposizione in inglese nella risposta. Nella risposta viene in particolare valutata la capacità dello studente di comprendere i meccanismi di funzionamento del materiale e loro applicazione. E’ possibile evitare la terza domanda presentando in alternativa un report su un argomento del corso oppure un argomento affine non affrontato. Lo studente dovrà fornire il report in anticipo di alcuni giorni rispetto all’esame e fornire una breve presentazione all’esame.

Testi di riferimento

Materiale fornito dal docente e lezioni scaricabili dalla piattaforma moodle (didatticaonline) Testi di consultazione: Encyclopedia of Smart Materials, Volumes 1-2, Ed. Mel Schwartz, John Wiley & Sons, 2002 A. J. Moulson and J. M. Herbert, Electroceramics - Materials Properties Applications, 2nd edition, 2003, John Wiley & Sons, Chichester, UK. Functional and Smart Materials - Structural Evolution and Structure Analysis, Ed. Wang, Z.L.; Kang, Z.C., Springer - Verlag, 1998

Codice insegnamento 50980_652078_90603

Intelligent vehicles and autonomous driving 2° anno · 6 CFU · IIND-02/A · 0 file

ObiettiviFornire le conoscenze e le capacità di base per progettare e realizzare un sistema di guida autonoma. Nel dettaglio: 1) Comprensione dei vari livelli di automazione (livelli SAE). 2) Definizione dei principali…

Scheda dell'insegnamento

Obiettivi formativi

ObiettiviFornire le conoscenze e le capacità di base per progettare e realizzare un sistema di guida autonoma. Nel dettaglio: 1) Comprensione dei vari livelli di automazione (livelli SAE). 2) Definizione dei principali sistemi di percezione. 3) Conoscenza di base della dinamica del veicolo. 4) Definizione delle principali architetture di algoritmi di controllo che agiscono sui vari livelli. 5) Fornire le competenze per l’implementazione di un sistema autonomo adeguate. Risultati attesiSpiegare i diversi livelli di automazione.Spiegare le basi dei sistemi di percezione di un sistema di guida autonoma (Lidar, Radar, telecamera RGB, mappe HD).Illustrare la dinamica del veicolo: double track model and single track model.Illustrare i principali componenti dell'architettura di un sistema di guida autonoma, dal basso all’alto livello.Sviluppare un agente autonomo semplificato.

Programma

1. Introduzione ai concetti di base della guida autonoma (4 ore)Livelli SAE per la guida autonomaArchitetture di base per un agente di guida autonoma (perseption-action maps e sense-think-act) 2. Sistemi di percezione (4 ore)Introduzione ai sistemi di percezione:---- Lidar---- Radar---- Mappe digitali---- Camere RGBDal sistema di percezione alla comprensione dell'ambiente 3. Agente di guida autonoma (30 ore)Introduzione alla modellazione dinamica degli pneumatici e del veicoloPanoramica dei sistemi di controllo (sistema di alto livello e di basso livello)Controllo di alto livello (pianificazione del percorso):---- Tecniche basate sul campionamento (es. RRT*)---- Controllo ottimo (ad esempio, introduzione alle primitive di movimento)---- Metodi di esplorazione basati su grafi (ad es., A*)---- Curve interpolati---- Model predictive control per la definizione di traiettoriaControllo di basso livello (pianificazione del movimento):---- Controllo del movimento laterale---- Controllo del movimento longitudinale---- Model predictive control per il controllo veicolo---- Sistemi di controllo basati su reti neurali 4. Implementazione di un agente di guida longitudinale (10 ore)Architettura basata sulle mappe percezione-azioneSoluzione del problema di controllo ottimoPriming dell'azioneSelezione dell'azioneControllo a basso livelloAmbiente Python e scenario di guida (scenario del semaforo)

Il corso rientra nel programma blended learning. Il corso si dividerà in una parte in presenza circa 35 ore e 13 ore tramite video lezioni e di programmazione a casa.. I metodi di insegnamento comprenderanno lezioni frontali (circa 23 ore) e live coding in classe (circa 12 ore). L'attività di laboratorio sarà incentrata sullo sviluppo dell'agente di guida autonoma longitudinale per uno scenario semaforico.

Modalità d'esame

Metodi di accertamentoPer acquisire i crediti del corso, lo studente deve: Definizione del progetto con il docente.Realizzare un progetto (min 2 punti progetto base, max 7 punti per un progetto complesso) sulla guida autonoma che verranno assegnati in base alla difficoltà del progetto e alla sua realizzazione.(Facoltativo) Lo studente invia in anticipo i risultati del progetto e riceve un feedback dal docente (e una valutazione di massima).Inviare il progetto al docente almeno 5 giorni prima dell'esame.---- A: gastone.rosatipapini@unitn.it---- Oggetto: Progetto IVAD NOME COGNOME---- La mail deve contenere uno zip denominato: NOME_COGNOME_TITLE_OF_PROJECTSuperare un esame scritto dei moduli 1,2,3,4 (max 23 punti).Fare una presentazione orale di 10 minuti del progetto realizzato (da 5 a 10 diapositive). La presentazione deve dimostrare l'efficacia del progetto scelto. In particolare: cosa riguarda il progetto, come funziona il programma, i componenti principali del progetto e un video del sistema autonomo in azione. L'ultima parte della presentazione deve contenere le lezioni apprese. L'orale sarà valutato con un massimo di 3 punti.Dopo la presentazione, l'insegnante e la classe faranno domande sullo svolgimento del progetto. Il punteggio finale dell'esame è calcolato dalla somma della parte scritta (max 23 punti) la realizzazione del progetto progetto (min 2 punti per il progetto base e max 7 punti per un progetto più complesso) e la presentazione orale (max 3 punti). Quindi il punteggio massimo è uguale a 28 punti per un progetto base ottimo, e 33 per un progetto difficile ottimo. Il progetto si considera superato successivamente alla presentazione orale. La lode sarà concessa a discrezione in quei casi il voto complessivo superi 30 punti. Note importantiIl progetto deve essere concordato con il docente durante il corso, in questo modo, lo studente sarà consapevole del punteggio massimo a cui potrà accedere. Inoltre, lo studente può richiedere un incontro per verificare la qualità del progetto realizzato e verificare se questo necessita di ulteriore lavoro per raggiungere il punteggio concordato. Se il docente non è a conoscenza del progetto scelto dallo studente o lo studente non verifica con il docente i risultati raggiunti prima della presentazione orale, il punteggio massimo del progetto potrebbe essere ridotto se i risultati non sono adeguati. Elenco dei progettiImplementazione dell'agente autonomo longitudinale (2 punti). L'implementazione sarà effettuata durante le lezioni del modulo 4.Altri progetti definiti dal docente durante il corso (max 7 punti).Un progetto aperto a scelta dello studente (max 7 punti). Criteri di valutazioneConoscenza dei contenuti del Corso. Capacità di mettere in pratica le conoscenze acquisite durante il corso realizzando un progetto funzionante. Capacità di presentare in maniera chiara e concisa il contenuto del progetto durante la presentazione. La chiarezza e la qualità del video e dei grafici e tabelle mostrate durante la presentazione. Capacità di rispondere alle domande riguardanti il progetto. Lo studente è tenuto a spiegare gli argomenti utilizzando un linguaggio scientifico appropriato, a correlando se necessario i diversi argomenti del corso.

Testi di riferimento

Una sintesi dei contenuti delle lezioni e/o le diapositive proiettate saranno disponibili online.

Codice insegnamento 50979_652074_95341

Laboratory of Internet of Things 2° anno · 6 CFU · IINF-01/A · 0 file

Laboratorio di Intelligenza Artificiale e Internet of Things [145782]Designing and programming the Internet of Things (IoT) [145793] L'obiettivo principale del corso è consentire agli studenti di specificare,…

Scheda dell'insegnamento

Obiettivi formativi

Laboratorio di Intelligenza Artificiale e Internet of Things [145782]Designing and programming the Internet of Things (IoT) [145793] L'obiettivo principale del corso è consentire agli studenti di specificare, configurare, progettare e verificare complesse soluzioni di Internet of Things con funzionalità avanzate di Intelligenza Artificiale. Verrà sottolineata l'importanza dell'interazione hardware-software, poiché tutti i sistemi IoT e AI sono programmabili. Il corso fornirà conoscenze operative su piattaforme hardware all'avanguardia utilizzate in applicazioni IA e IoT integrate, coprendo un'ampia gamma di compromessi tra potenza e costi rispetto alle prestazioni. Verrà fornita una copertura dettagliata delle astrazioni software e delle metodologie per lo sviluppo di applicazioni che sfruttano le capacità delle piattaforme sopra menzionate. Saranno trattati anche strumenti di progettazione assistita ed automatica. Il corso fornisce una panoramica delle principali piattaforme e tecnologie per lo sviluppo di prodotti e servizi Internet of Things (IoT) Intelligenti, attraverso tecnologie di Machine Learning e Reti Neurali profonde (DNN - Deep Neural Network), che includono l'uso di dispositivi di rilevamento, attuazione, elaborazione e comunicazione. Il corso ha sezioni teoriche e di laboratorio e le sezioni di laboratorio consistono in esercizi IoT di prototipazione rapida con Deep Learning. Il corso migliorerà le capacità e le esperienze di progettazione da impiegare nello sviluppo di nuovi sistemi. Il corso ha sezioni teoriche e di laboratorio e le sezioni di laboratorio sono costituite da esercitazioni pratiche e pratiche dell'IoT con tecniche di Machine Learning e Reti Neurali (DNN). Dopo aver completato il corso, gli studenti saranno in grado di sviluppare servizi o prodotti IoT con avanzate funzionalità di Machine Learning. In particolare: a) Acquisire le conoscenze necessarie per collaborare con sviluppatori e ingegneri durante l'intero processo di progettazione di soluzioni IoT. b) Integrare tecniche di Reti Neurali ed Intelligenza Artificiale nel processo di progettazione di applicazioni IoT. c) Identificare e selezionare strumenti di sviluppo appropriati e utilizzarli in modo efficace durante tutto il processo di sviluppo.

Programma

Laboratorio di Intelligenza Artificiale e Internet of Things [145782]Designing and programming the Internet of Things (IoT) [145793]L'obiettivo principale del corso è consentire agli studenti di specificare, configurare, progettare e verificare complesse soluzioni di Internet of Things con funzionalità avanzate di Intelligenza Artificiale. Verrà sottolineata l'importanza dell'interazione hardware-software, poiché tutti i sistemi IoT e AI sono programmabili. Il corso fornirà conoscenze operative su piattaforme hardware all'avanguardia utilizzate in applicazioni IA e IoT integrate, coprendo un'ampia gamma di compromessi tra potenza e costi rispetto alle prestazioni. Verrà fornita una copertura dettagliata delle astrazioni software e delle metodologie per lo sviluppo di applicazioni che sfruttano le capacità delle piattaforme sopra menzionate. Saranno trattati anche strumenti di progettazione assistita ed automatica. Il corso può essere suddiviso in tre argomenti principali (non necessariamente nel seguente ordine): Introduzione -Stato dell'arte delle tecnologie per Internet of Things - Definizione di IoT, architetture e direzioni fututre. -Richiami sui protocolli TCP/IP - Protocolli di sincronizzazione temporale -Cenni sulla tecnologia LoRa/LoRaWAN - Cenni di cybersecurity Avviamento al Deep Learning- Introduzione alle tecniche Deep Learning e alle sue principali differenze rispetto al Machine Learning classico: dal Perceptron alle reti neurali e all'architettura delle reti neurali convoluzionali (CNN). - Algoritmi di training in backpropagation per reti neurali, ad esempio Adagrad, Adam, ecc. - Linee guida nella formazione di reti neurali CNN: overfitting and cross-validation, stopping criteria, weight decay, dropout, data resampling, and augmentation. - Tecniche di ottimizzazione per ML: Transfer Learning, Pruning, Sparsity, Quantization, and Neural Architecture Search - Introduzione ai principali kernel computazionali (prodotto scalare, moltiplicazione di matrici...) - Inferenza vs addestramento - caratterizzazione - Lo "zoo" delle reti neurali: DNN, CNN, RNN, GNN, Attention-based Networks - Introduzione a TinyML: Inferenza a Reti Neurali su edge e piccole piattaforme Intelligent Internet of Things (I-IoT) - Piattaforme programmabili per prototipazione rapida di soluzioni IoT (con microprocessori e microcontrollori). Laboratorio and Hands-on- Flussi di progettazione e strumenti di sviluppo. - Uso di NodeRed su piattaforma Raspberry Pi - Protocolli IoT: MQTT, HTTP-Rest - Fondamenti di Internet of Things in tempo reale. - Usare i servizi esistenti per il back-end IoT e Deep Learning (TensorFlow, PyTorch, Edge Impulse..).

Il corso consiste in lezioni teoriche e attività pratiche in laboratorio. Le sessioni di laboratorio comprendono esercitazioni di Machine Learning con apposite toolchain (TensorFlow, PyTorch, Edge Impulse, ..) ed esercitazioni di prototipazione rapida di sistemi IoT per applicazioni di rilevamento, detection e classificazione. Il corso prevede esercitazioni di laboratorio ed uso dei laboratori di calcolo per un numero di ore non inferiore a 25. Per le attività di laboratorio verranno organizzati gruppi per consentire l'accesso ordinato e sicuro come da regolamento; e verrà richiesto supporto per l'assistenza alle postazioni di lavoro degli studenti.

Modalità d'esame

Il corso prevede con prove scritte di progettazione, che richiedono impegno e tempo nella correzione e valutazione. Verrà richiesto supporto per la correzione delle prove. Per superare proficuamente l’esame, gli studenti devono completare un progetto su un caso di studio concordato con l'insegnante. Il docente provvede anche a fornire il materiale integrativo (solitamente articoli tecnici o scientifici) incentrato sull’argomento prescelto e sul quale lo studente si basa per preparare il progetto. Ogni progetto può essere sviluppato da un singolo studente. Il progetto è presentato in dettaglio durante una prova orale, durante la quale si deve consegnare un report scritto e dettagliato sul progetto, il dimostratore sperimentale. I prodotti delle valutazioni all'interno del compito assegnato possono anche includere un poster, un video e un prototipo funzionante. Gli studenti sono invitati a fare molta attenzione al report che presenteranno: si deve introdurre il problema affrontato e come lo si è risolto, dettagliando le soluzioni tecnologiche e tecniche adottate, e presentando i risultati in maniera adeguata, discutendo chiaramente i vantaggi e gli svantaggi della soluzione scelta ed implementata. Il report deve avere una lunghezza di 8/10 pagine in formato doppia colonna. Il template del report è fornito tramite il servizio di didattica online su Esse3. L’obiettivo della discussione del progetto è la verifica delle conoscenze maturate durante il corso, la capacità di affrontare e risolvere problemi da parte dello studente, la capacità di analizzare e presentare i risultati ottenuti. Il voto finale discende da una valutazione ponderata sulle abilità di presentazione e di discussione dell’elaborato nonché sulla originalità, rigorosità scientifica e la validità tecnica del progetto presentato seguendo gli argomenti del corso.

Testi di riferimento

  • Internet of Things for Architects: Architecting IoT solutions by implementing sensors, communication infrastructure, edge computing, analytics, and security - Perry Lea Packt Publishing Ltd, Jan 22, 2018 - Computers - Deep Learning - Ian Goodfellow, Yoshua Bengio, and Aaron Courville - ISBN: 978-0262035613 - Designing Embedded Systems and the Internet of Things (IoT) with the ARM mbed - Perry Xiao John Wiley & Sons, Jun 15, 2018 - Technology & Engineering - Internet of Things A to Z: Technologies and Applications - Qusay F. Hassan John Wiley & Sons, May 9, 2018 - Technology & Engineering

Codice insegnamento 50979_652062_94115

Microelectronics devices, sensors and MEMS 2° anno · 6 CFU · IINF-01/A · 0 file

This course offers a general, broad introduction to semiconductor electronic devices and microsensors of common use for industrial and ICT applications. The course aims at giving general knowledge on the operation of…

Scheda dell'insegnamento

Obiettivi formativi

This course offers a general, broad introduction to semiconductor electronic devices and microsensors of common use for industrial and ICT applications. The course aims at giving general knowledge on the operation of devices and sensors, as well as on their manufacturing through very large-scale integrated circuits (VLSI) and microelectromechanical systems (MEMS) technologies. The course also introduces software tools used in the development of electron devices and microsensors, emphasizing both the technological and design aspects. At the end of the course, the students are expected to become familiar with the terminology and the problems commonly found in the field of semiconductor devices and related technologies. They should be able to describe the operation principle of semiconductor devices and microsensors studied within the course as well as with state-of-the art processing technologies, also solving numerical problems on these topics. They should acquire a basic operative knowledge on the use of TCAD simulation tools and develop the ability to use them to solve simple design problems.

Programma

  • Introduction to semiconductor physics, with emphasis on silicon: structural and electrical properties of intrinsic and extrinsic semiconductor crystals; charge carrier density and current transport equations; generation and recombination; mathematical model of the semiconductor. - Junction Diodes: electrical properties of the p/n junction in equilibrium and under reverse and direct polarization, current-voltage static characteristics, junction breakdown, junction capacitive effects. Diode SPICE model and parameters. Applications: example circuits, photodiodes, LEDs and solar cells - MOS capacitors and transistors. Basic theory of the MOS structure. MOSFET operation principles, current-voltage static characteristics, main parameters, channel length modulation and body effect, capacitive effects. MOSFET scaling effects and second order effects. P- and N-channel MOSFET SPICE parameters. MOSFET applications in digital electronics. - Brief notes on bipolar transistors. - Overview on power semiconductor devices: role in modern systems, how they differ from signal devices, key performance parameters. Physics and structures specific to power devices. Trade-off between breakdown voltage and conduction losses. Power diodes. Power transistors: MOSFETs and IGBTs. Power losses and thermal aspects. Wide bandgap devices: SiC and GaN. - Microelectronics technologies: silicon crystal growth, epitaxy, photolithography and selective etching, thermal oxidation, dopant implantation and diffusion, Physical and Chemical Vapor deposition, metallization. - CMOS technology: twin well process; LOCOS and Shallow Trench isolation; advanced submicron processes; layout design rules, testing and production yield. Parameter extraction. - TCAD Laboratory: numerical process and device simulations: introduction and application examples. - Special materials and processing techniques for MEMS. - Introduction to sensors as transducers from physical/chemical quantities to electrical signals: main figures of merit, technologies, current market trends. - Overview of different sensor types: thermal, optical and nuclear radiation, magnetic, mechanical, (bio)chemical and gas.

The core concepts of the course will be taught with theoretical lectures and numerical exercises. The theory will be complemented by laboratory classes in the PC room using professional Technology CAD (TCAD) software for device/sensor simulation. To prepare for the exam, the students will need to review the concepts and exercises taught in the class using the material and additional exercises provided by the teacher.

Modalità d'esame

The exam consists of a written test followed by an oral exam, that can optionally be replaced by the discussion of a project carried out using the TCAD simulation program introduced in the course. The written test will consist of two questions about the theoretical contents of the course (aimed at checking the student’s level of knowledge) and one multi-question numerical problem about microelectronic devices and technologies (intended to check the student’s problem-solving capabilities). The written test duration is 2 hours. The assessment of the written exam will be based on the correctness and completeness of the answers and will contribute to about 50% of the final grade. The oral exam will assess students' knowledge of basic theoretical concepts and their analytical skills, with reference to either a device or a sensor of choice, on which students should make a in-depth study. Optionally, students can integrate the exam with a simulation project on a topic of choice, agreed with the teacher. In this case, they will have access to the TCAD software to carry out the simulation work and they will write a short report describing the problem analyzed and the results obtained. In this case, the oral exam will focus on the topics of the project.

Testi di riferimento

Material available in the moodle page of the course (slides, solved exercises, laboratory material). Reference textbooks (available at the University Library): - R. Pierret: "Semiconductor fundamentals", Modular Series on Solid State Devices, Prentice Hall, 1988. - S. M. Sze: "Semiconductor Devices - Physics and Technology", John Wiley & Sons, 2a ediz., 2002. - J. Baliga, “Fundamentals of Power semiconductor devices”, Springer, 2a ediz., 2019 - R.C. Jaeger: "Introduction to Microelectronic Fabrication", Modular Series on Solid State Devices, Prentice Hall, 1987. - J. W. Gardner, "Microsensors: principles and applications”, Wiley, 1994. - S.M. Sze, “Semiconductor sensors”, Wiley, 1994. - J. G. Webster, H. Eren, “Measurement, Instrumentation, and Sensors handbook”, CRC Press, 2014. - J. Fraden, "Handbook of Modern Sensors - Physics, Designs, and Applications", Springer, 2016.

Codice insegnamento 50980_652073_96106

Modeling and design with finite elements 2° anno · 6 CFU · IIND-03/A · 0 file

In alignment with the educational objectives of the Degree Programme in Mechanical/Industrial Engineering, the course aims to provide advanced knowledge and methodological competencies related to the numerical modeling…

Scheda dell'insegnamento

Obiettivi formativi

In alignment with the educational objectives of the Degree Programme in Mechanical/Industrial Engineering, the course aims to provide advanced knowledge and methodological competencies related to the numerical modeling of structural mechanics problems using the Finite Element Method (FEM). The course is designed to develop in students the ability to: · understand the mathematical and variational foundations of FEM; · formulate consistent and robust structural numerical models; · critically assess the reliability of numerical simulations; · use professional software tools for computational analysis and design. At the end of the course, students will be able to: · Describe the mathematical and variational foundations of the Finite Element Method, with reference to the principle of virtual work and the principle of minimum potential energy. · Formulate finite element models for one-dimensional (bars, beams) and two-dimensional structural problems (plane stress and plane strain), specifying assumptions, boundary conditions, and material properties. · Derive and implement element stiffness matrices and assembly procedures for isoparametric elements in linear structural contexts. · Select and justify element types, discretization strategies, and mesh refinement criteria based on accuracy, numerical stability, and computational efficiency. · Analyze and interpret displacement, strain, and stress fields obtained from FEM simulations, assessing convergence and reliability with respect to analytical solutions or experimental results. · Critically evaluate the limitations of numerical models, identifying possible sources of error (modeling assumptions, discretization, numerical integration, boundary conditions). · Develop and present a structural modeling project using industrial FEM software, clearly communicating assumptions, methodology, and results.

Programma

The course is structured into the following modules: 1. Introduction to FEM and Variational Principles Motivation for numerical discretizationWeighted residual methodsPrinciple of minimum potential energyWeak form of the governing equations of mechanics2. One-Dimensional Finite Elements Bar and beam elementsDerivation of the stiffness matrixGlobal assembly procedureApplication of boundary conditionsTruss and beam problems3. Advanced Beam Elements Euler–Bernoulli beam theoryTimoshenko beam theoryHermitian interpolationDegrees of freedom and consistent formulation4. Two-Dimensional Elements Plane stress and plane strain conditionsTriangular and quadrilateral elementsShape functions and convergence5. Isoparametric Formulation Natural coordinatesGeometric mappingNumerical integration (Gauss quadrature)6. Three-Dimensional Solid Elements Tetrahedral and hexahedral elementsVolumetric integrationStress computation7. Shell Elements Membrane and bending behaviorAxisymmetric formulationNumerical implementation8. Introduction to Advanced Topics Nonlinear analysisContact problemsNumerical stability9. Software Applications Modeling with industrial FEM softwarePost-processingEngineering interpretation of results

Teaching methods The course integrates: theoretical lectures;guided numerical exercises;computer laboratory sessions using FEM software;critical discussion of engineering case studies; Student learning activities Students are expected to: independently study lecture notes and slides;solve assigned exercises;actively participate in practice sessions;develop a structural modeling project;prepare a final technical report;deliver an oral presentation of the project.All activities are designed in coherence with the intended learning outcomes: lectures support the acquisition of theoretical foundations; exercises develop application skills; the final project consolidates critical analysis and technical communication competencies.

Modalità d'esame

The final grade is expressed on a 30-point scale and consists of: 1. Group Project (50%) The project consists of the FEM modeling of a realistic structural problem using professional software. Assessment will consider: correctness of modeling assumptions;appropriateness of discretization;ability to critically analyze results;quality of the technical report;clarity and effectiveness of the oral presentation.2. Individual Oral Examination (50%) The oral exam aims to assess: mastery of theoretical foundations;ability to derive and discuss element formulations;understanding of numerical and physical implications;appropriate use of technical terminology.To pass the exam, students must demonstrate achievement of the minimum intended learning outcomes. Honors (cum laude) are awarded in cases of excellent theoretical mastery, rigorous reasoning, and strong critical ability.

Testi di riferimento

Teaching material (mandatory for preparation) Mandatory study materials include: Lecture slides, systematically covering the course contents;Guided tutorials for practical exercises, including step-by-step examples related to the formulation and implementation of FEM models;Project guidelines and instructions;Additional materials uploaded to Moodle (numerical examples, commented exercises, datasets, FEM input files).All materials will be made available through the University’s e-learning platform. Recommended textbooks (for further reading) Zienkiewicz, O.C., Taylor, R.L., Zhu, J.Z., The Finite Element Method: Its Basis and Fundamentals.Bathe, K.J., Finite Element Procedures.(These textbooks are recommended for theoretical deepening and consultation; exam preparation can primarily rely on the materials provided during the course.) LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca Teaching material (mandatory for preparation) Mandatory study materials include: Lecture slides, systematically covering the course contents; Guided tutorials for practical exercises, including step-by-step examples related to the formulation and implementation of FEM models; Project guidelines and instructions; Additional materials uploaded to Moodle (numerical examples, commented exercises, datasets, FEM input files).All materials will be made available through the University’s e-learning platform. Recommended textbooks (for further reading): Zienkiewicz, O. C., Taylor, R. L., & Zhu, J. Z. (2013). The Finite Element Method: Its Basis and Fundamentals . Elsevier. Bathe, K. J. (2026). Finite Element Procedures . Prentice Hall

Codice insegnamento 50980_652061_90608

Optimisation and Learning for Robot Control 2° anno · 6 CFU · IINF-04/A · 0 file

This course focuses on control of robotic systems, with special attention to numerical optimal control and reinforcement learning. After reviewing the basic principles of robot modeling and numerical optimization,…

Scheda dell'insegnamento

Obiettivi formativi

This course focuses on control of robotic systems, with special attention to numerical optimal control and reinforcement learning. After reviewing the basic principles of robot modeling and numerical optimization, students will learn different control techniques, from the simplest and most well-known, to the most recent and advanced. Methods will be first studied in theory, and then implemented in simulation (with the Python language) to gain practical experience. Applications will focus on industrial manipulators, wheeled robots, and legged robots, but the same methods could be also applied to flying and underwater robots. After completing the course, students will be able to: - understand the working principles of several control algorithms for robotic systems - choose the appropriate approach(es) to control a specific system for a given target application - implement, tune, and test control algorithms with the Python language

Programma

The course includes approximately 32 hours of lectures (program below) and 16 hours of programming exercises. # Reactive Control Review of robot kinematics, Jacobian, statics, Lagrangian dynamicsJoint motion control: PID, inverse dynamicsTask-space motion controlQuadratic-Programming based control # Optimal Control Introduction to Nonlinear Constrained OptimizationGlobal vs local optimal control approachesDirect methods: single shooting, multiple shooting and collocationNumerical integration methodsModel Predictive Control: recursive feasibility, stabilityApplication: unicycle avoiding obstacles with circular and polygonal shapesApplication: minimum-time reaching with a robot manipulator # Reinforcement Learning Markov Decision ProcessesDynamic Programming: Value and Policy iterationPrediction with Monte Carlo and Temporal Difference learningModel-Free Control: Q-learning, SARSAValue function approximationDeep Q-Network

Theoretical lessons will be mainly delivered through the use of the blackboard. Laboratory sessions will focus on the use of the Python language to implement and tune control algorithms in simulation. Attendance is strongly recommended.

Modalità d'esame

To successfully pass the exam, students have to submit two (optional) assignments during the semester, plus a final (mandatory) larger assignment before the oral exam. In the oral exam, students are evaluated on their ability to: - describe/explain, using appropriate technical language, the theory of the different algorithms presented during the classes; - identify the appropriate approach to implement for a given target application; - solve exercises related to the control of a robotic system; - present and defend their project/assignment.

Testi di riferimento

No reference textbook is available. The material provided by the teacher will serve as reference. Several useful complementary resources are available online: - Springer Handbook of Robotics - O. Khatib, B. Siciliano - Rigid-Body Dynamics Algorithms - Roy Featherstone - Convex Optimization - Stephen P. Boyd and Lieven Vandenberghe - Numerical Optimization - Jorge Nocedal and Stephen Wright - Modern Robotics: Mechanics, Planning, and Control - Kevin M. Lynch and Frank C. Park - Dynamic programming and optimal control - Dimitri P. Bertsekas - Algorithms for Reinforcement Learning - Csaba Szepesvari - Reinforcement Learning and Optimal Control - Dimitri P. Bertsekas LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Siciliano, B., & Khatib, O. (2016). Springer handbook of robotics (2. ed.). Springer. Featherstone, R. (2008). Rigid body dynamics algorithms. Springer. Boyd, S. P., & Vandenberghe, L. (2004). Convex optimization. Cambridge university press. Nocedal, J., & Wright, S. J. (2006). Numerical optimization (2nd ed.). Springer. Lynch, K. M., & Park, F. C. (2017). Modern robotics : mechanics, planning, and control. Cambridge University Press. Bertsekas, D. P. (2012). Dynamic programming and optimal control (4th ed.). Athena scientific. Szepesvári, C. (2010). Algorithms for reinforcement learning. Morgan & Claypool. Bertsekas, D. P. (2019). Reinforcement learning and optimal control. Athena scientific.

Codice insegnamento 51385_659063_96199

Remote Sensing Systems and Image Analysis 2° anno · 6 CFU · IINF-03/A · 0 file

I sistemi di telerilevamento rappresentano una delle aree più trasversali e in forte sviluppo nell'ambito dell’ingegneria dell'informazione, in quanto coinvolgono le principali tecnologie e metodologie che caratterizzano…

Scheda dell'insegnamento

Obiettivi formativi

I sistemi di telerilevamento rappresentano una delle aree più trasversali e in forte sviluppo nell'ambito dell’ingegneria dell'informazione, in quanto coinvolgono le principali tecnologie e metodologie che caratterizzano le telecomunicazioni e l'elettronica (satelliti, sensori passivi e sensori radar per acquisizione immagini, techice di trasmissine dati) oltreché quelle legate all’elaborazione segnali e all’informatica (tecniche di elaborazione segnali ed immagini, tecniche di riconoscimento automatico, tecniche di intelligenza artificiale e machine learning). Tali sistemi sono alla base dello sviluppo della space economy e intersecano il settore dell'aerospazio. In questo contesto, il corso analizza gli elementi principali che compongono i sistemi di telerilevamento e fornisce competenze di base di elaborazione e riconoscimento automatico di immagini e segnali. Il programma è articolato in 5 parti. La prima parte è dedicata allo studio generale dei sistemi di telerilevamento e dei principi su cui tali sistemi sono fondati. La seconda parte è rivolta all’analisi della fase di acquisizione delle immagini telerilevate; vengono studiati satelliti, sensori ottici e radar e sistemi di trasmissione dei dati. La terza parte è dedicata alle tecniche automatiche utilizzate per l’elaborazione delle immagini telerilevate. In particolare, vengono presentate le principali tecniche di base per elaborazione immagini e vengono studiate metodologie avanzate per l’analisi di immagini ottiche multispettrali e immagini radar. La quarta parte del corso si focalizza sulle tecniche finalizzate al riconoscimento automatico di immagini e segnali telerilevati, introducendo le metodologie di base e quelle più recenti basate su intelligenza artificiale e machine learning. Infine, l’ultima parte presenta svariati esempi di applicazione dei sistemi di telerilevamento ottici e radar e delle relative tecniche di analisi delle immagini a problemi reali. Il corso prevde esercitazioni in laboratorio finalizzate ad approfondire e a sperimentare su dati telerilevati reali le tecniche di elaborazione studiate nelle varie parti teoriche.

Programma

1. INTRODUZIONE AI SISTEMI DI TELERILEVAMENTO Introduzione al telerilevamento. Descrizione generale di un sistema di telerilevamento. Principi fondamentali del telerilevamento: teoria della radiazione. Radiazione emessa dal Sole e dalla Terra. Finestre atmosferiche. Regioni spettrali utilizzate nel telerilevamento: visibile, infrarosso e microonde. Concetto di firma spettrale. Fasi in cui si articola un processo di telerilevamento: acquisizione, elaborazione ed interpretazione delle immagini. 2. ACQUISIZIONE DI IMMAGINI TELERILEVATE OTTICHE E RADAR Principali piattaforme di acquisizione: satelliti, space shuttle, aerei. Caratteristiche dei satelliti per telerilevamento e telecomunicazioni: altezza da terra, tipo di orbita, inclinazione piano orbitale, tempo di rivisitazione, nodi ascendenti/discendenti, payload, sistema energetico. Sistemi di trasmissione dei dati telerilevati. Sensori per telerilevamento: sensori passivi e sensori attivi. Proprietà dei sensori per l'acquisizione di immagini: risoluzione geometrica, radiometrica, spettrale. Sensori passivi: scanner multispettrali; scanner iperspettrali. Immagini multispettrali e iperspettrali. Sensori attivi: radar a visione laterale; synthetic aperture radar. Geometria di un'immagine radar. Risoluzione geometrica di sensori radar: range e azimuth. Principali satelliti per telerilevamento e relativi sensori: Meteosat; Landsat; SPOT; IKONOS; WORLDVIEW; ERS; ENVISAT; Cosmo-SkyMed; TerraSAR-X; etc. Programma Copernicus e costellazioni di satelIiti Sentinel. 3. ELABORAZIONE AUTOMATICA DI IMMAGINI Concetti fondamentali di elaborazione immagini. Istogramma. Tabella di Look-Up. Immagini multispettrali. Sorgenti di errore nelle immagini e relative tecniche di correzione: distorsioni radiometriche e geometriche. Miglioramento radiometrico delle immagini: modifica dell'istogramma; modifica lineare e non lineare del contrasto; equalizzazione. Visualizzazione in falso colore di immagini multispettrali. Georeferenziazione e registrazione delle immagini. Filtraggio delle immagini: filtro di media, mediano, ecc. Estrazione dei contorni. Segmentazione. Estrazione di parametri informativi dalle immagini: analisi delle componenti principali; parametri di tessitura. Caratteristiche delle immagini radar: segnali in forma complessa, immagini in intensità ed ampiezza, rumore moltiplicativo (speckle). Tecniche di elaborazione specifiche per immagini radar. 4. RICONOSCIMENTO AUTOMATICO DI IMMAGINI Schema generale di un sistema per la classificazione automatica di immagini telerilevate. Spazio multispettrale e classi spettrali. Funzioni discriminanti. Classificazione supervisionata: algoritmo del perceptron; classificatore di Bayes; classificatore a massima verosimiglianza. Classificatori basati su intelligenza artificiale e machine learning: reti neurali artificiali; principali modelli di reti neurali artificiali; multilayer perceptron; modelli basati sul deep learning. 5. APPLICAZIONI DEL TELERILEVAMENTO Monitoraggio ambientale su scala locale (espansione urbana, deforestazione, inquinamento marino, ecc.) e su scala globale (concentrazione ozono e NO2, surriscaldamento del pianeta, ecc.). Analisi del rischio ambientale e protezione civile (incendi, frane valanghe, ecc.). Analisi dei danni provocati da eventi naturali estremi (terremoti, alluvioni, incendi, ecc.). Esplorazione di risorse naturali (foreste, suoli, ghiacciai, ecc.). Agricoltura (monitoraggio rotazione colture, stima della produzione, ecc.). Meteorologia (studio dinamica dell'atmosfera, previsione delle piogge, stima quantità di pioggia, ecc.). Produzione di mappe (topografia, copertura/uso del suolo, ingegneria civile). Produzione di mappe digitali tridimensionali del terreno. Esplorazioni planetarie.

L'attività didattica comprende lezioni frontali, coadiuvate dall'uso di slide, che illustrano la teoria di base dei sistemi di telerilevamento presentando anche vari esempi sul loro utilizzo in applicazioni reali (circa 70% del corso). Esercitazioni in laboratorio (circa il 30% del corso, svolte presso il Sensing Technology Laboratory) complementano le lezioni frontali con lo svolgimento di esercitazioni al calcolatore volte ad illustrare come si deve affrontare l'elaborazione di immagini telerilevate passive e radar per risolvere problemi applicativi reali. Il materiale didattico (slide e dispense delle esercitazioni in aula) è reso disponibile sul sito del corso.

Modalità d'esame

L'esame consiste in una prova orale su tutto il programma del corso, valutata tra 0 e 30/30, volta a verificare l'apprendimento dei concetti alla base dei sistemi di telerilevamento e a valutare la capacità dello studente di esporre in modo critico quanto appreso durante le lezioni. Lo studente può scegliere come modalità alternativa di esame di sostenere la prova orale sulle prime 2 parti del corso e sviluppare un progetto al calcolatore relativo alle parti restanti. In quest'ultimo caso il voto finale viene ottenuto dalla media dei voti conseguiti nella valutazione della prova orale e dello svolgimento del progetto.

Testi di riferimento

TESTI CONSIGLIATI R.A. Schowengerdt, Remote Sensing: Models and Methods for Image Processing, Seconda Edizione, London: Academic Press.Copie del materiale proiettato a lezione e fornito in laboratorio. TESTI PER LA CONSULTAZIONE J.A. Richards, Remote Sensing Digital Image Analysis: An Introduction, Terza Edizione, New York: Springer-Verlag.D. A. Landgrebe, Signal Theory Methods in Multispectral Remote Sensing, New Jersey: John Wiley & Sons.C. Oliver, S. Quegan, Understanding Synthetic Aperture Radar Images, London: Artech House.T. M. Lillesand, R. W. Kiefer, Remote Sensing and Image Interpretation, New York: John Wiley. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Schowengerdt, R. A. (2007). Remote sensing : models and methods for image processing (3rd. ed.). Elsevier. Richards, J. A., & Jia, X. (2006). Remote sensing digital image analysis : an introduction (4. ed.). Springer. Landgrebe, D. A. (2003). Signal theory methods in multispectral remote sensing. Wiley. Oliver, C., & Quegan, S. (1998). Understanding synthetic aperture radar images. Artech house. Lillesand, T. M., & Kiefer, R. W. (1994). Remote sensing and image interpretation (3rd ed.). Wiley. .

Codice insegnamento 51386_659064_96643

Renewable energy conversion systems 2° anno · 6 CFU · IIND-02/A · 0 file

In questo corso gli studenti imparano ad analizzare le fonti di energia rinnovabile e a descrivere/valutare le tecnologie che ne consentono la conversione. I sistemi di energia rinnovabile vengono analizzati in termini…

Scheda dell'insegnamento

Obiettivi formativi

In questo corso gli studenti imparano ad analizzare le fonti di energia rinnovabile e a descrivere/valutare le tecnologie che ne consentono la conversione. I sistemi di energia rinnovabile vengono analizzati in termini di valutazione delle risorse disponibili, layout meccanico e principi di funzionamento degli impianti di raccolta, sistemi di prelievo di energia elettrica e strategie di controllo, requisiti e vincoli ingegneristici. Al termine del corso, gli studenti saranno in grado di - Comprendere e descrivere le diverse tecnologie di conversione delle energie rinnovabili - quantificare/stimare l'energia/potenza disponibile da fonti primarie di energia rinnovabile - descrivere i requisiti e le strategie di controllo dei diversi componenti di un convertitore di energia - Costruire semplici modelli analitici e numerici e controllori per gli impianti di energia rinnovabile e i loro componenti (utilizzando Matlab e Simulink). Il corso presenterá una galleria di tecnologie di conversione dell'energia rinnovabile (convertitori di energia eolica, impianti idroelettrici, convertitori di energia marina, sistemi a energia solare, sistemi di accumulo energetico), combinando l'analisi dei principi di funzionamento meccanico, dei sistemi di conversione elettrica e del controllo. Per ciascuna delle tecnologie prese in esame, verrà presentata un'analisi completa della catena di conversione dell'energia (dalla valutazione delle risorse alla produzione di energia elettrica/termica).

Programma

1 Introduzione alle energie rinnovabili 2 Conversione dell'energia eolicaa. La risorsa eolica b. Aerodinamica delle turbine eoliche c. Modello dinamico e controlli d. Architettura elettrica dei generatori eolici 3 Conversione dell’energia idraulicaa. Turbine idrauliche b. Impianti idroelettrici 4 Conversione dell'energia marinaa. Energia da moto ondoso b. Energia da correnti marine e maree 5 Conversione dell'energia solarea. Radiazione solare b. Energia solare termica c. Sistemi fotovoltaici d. Sistemi di tracking 6 Elettrificazionea. Generazione distribuita b. Sistemi di accumulo c. Veicoli elettrici

  • Lezioni frontali (slides e lavagna) - Esercizi (lavagna e Matlab/Simulink) - Laboratorio di simulazione (Matlab/Simulink)

Modalità d'esame

Durante il corso, agli studenti vengono assegnati 1-2 esercizi relativi al programma del corso da svolgere in Matlab & Simulink. L'esame finale consiste in un colloquio orale, in cui gli studenti sono chiamati a discutere gli assignment e a rispondere a domande sugli argomenti delle lezioni.

Testi di riferimento

Il materiale didattico verrá condiviso dai docenti durante il corso.

Codice insegnamento 50980_652066_96105

Renewable energy conversion systems 2° anno · 6 CFU · IIND-02/A · 0 file

In questo corso gli studenti imparano ad analizzare le fonti di energia rinnovabile e a descrivere/valutare le tecnologie che ne consentono la conversione. I sistemi di energia rinnovabile vengono analizzati in termini…

Scheda dell'insegnamento

Obiettivi formativi

In questo corso gli studenti imparano ad analizzare le fonti di energia rinnovabile e a descrivere/valutare le tecnologie che ne consentono la conversione. I sistemi di energia rinnovabile vengono analizzati in termini di valutazione delle risorse disponibili, layout meccanico e principi di funzionamento degli impianti di raccolta, sistemi di prelievo di energia elettrica e strategie di controllo, requisiti e vincoli ingegneristici. Al termine del corso, gli studenti saranno in grado di - Comprendere e descrivere le diverse tecnologie di conversione delle energie rinnovabili - quantificare/stimare l'energia/potenza disponibile da fonti primarie di energia rinnovabile - descrivere i requisiti e le strategie di controllo dei diversi componenti di un convertitore di energia - Costruire semplici modelli analitici e numerici e controllori per gli impianti di energia rinnovabile e i loro componenti (utilizzando Matlab e Simulink). Il corso presenterá una galleria di tecnologie di conversione dell'energia rinnovabile (convertitori di energia eolica, impianti idroelettrici, convertitori di energia marina, sistemi a energia solare, sistemi di accumulo energetico), combinando l'analisi dei principi di funzionamento meccanico, dei sistemi di conversione elettrica e del controllo. Per ciascuna delle tecnologie prese in esame, verrà presentata un'analisi completa della catena di conversione dell'energia (dalla valutazione delle risorse alla produzione di energia elettrica/termica).

Programma

1 Introduzione alle energie rinnovabili 2 Conversione dell'energia eolicaa. La risorsa eolica b. Aerodinamica delle turbine eoliche c. Modello dinamico e controlli d. Architettura elettrica dei generatori eolici 3 Conversione dell’energia idraulicaa. Turbine idrauliche b. Impianti idroelettrici 4 Conversione dell'energia marinaa. Energia da moto ondoso b. Energia da correnti marine e maree 5 Conversione dell'energia solarea. Radiazione solare b. Energia solare termica c. Sistemi fotovoltaici d. Sistemi di tracking 6 Elettrificazionea. Generazione distribuita b. Sistemi di accumulo c. Veicoli elettrici

  • Lezioni frontali (slides e lavagna) - Esercizi (lavagna e Matlab/Simulink) - Laboratorio di simulazione (Matlab/Simulink)

Modalità d'esame

Durante il corso, agli studenti vengono assegnati 1-2 esercizi relativi al programma del corso da svolgere in Matlab & Simulink. L'esame finale consiste in un colloquio orale, in cui gli studenti sono chiamati a discutere gli assignment e a rispondere a domande sugli argomenti delle lezioni.

Testi di riferimento

Il materiale didattico verrá condiviso dai docenti durante il corso.

Codice insegnamento 50979_652066_96105

Scientific mission design 2° anno · 6 CFU · PHYS-01/A · 0 file
Smart Grids for Renewable Energy Integration 2° anno · 6 CFU · IIND-08/A · 0 file
Smart sensing for robotics and augmented reality 2° anno · 6 CFU · IMIS-01/A · 0 file
Space mechanisms and space systems engineering 2° anno · 6 CFU · IIND-02/A · 0 file
Space mechanisms and space systems engineering 2° anno · 6 CFU · IIND-02/A · 0 file
Space structures and advanced applications 2° anno · 6 CFU · IIND-01/D · 0 file
Spacecraft sensors and instrumentation 2° anno · 6 CFU · IINF-01/A · 0 file
Spacecraft sensors and instrumentation 2° anno · 6 CFU · IINF-01/A · 0 file
Vehicle dynamics 2° anno · 6 CFU · IIND-02/A · 0 file
Vehicle dynamics 2° anno · 6 CFU · IIND-02/A · 0 file
Advanced Formula SAE 6 CFU · ING-IND/12 · 0 file
Advanced optimization-based robot control 6 CFU · ING-INF/04 · 0 file
Architectures of intelligent transportation systems 6 CFU · ING-IND/13 · 0 file
Computer vision 6 CFU · ING-INF/03 · 0 file
Computer vision 6 CFU · ING-INF/03 · 0 file
Deep learning 6 CFU · ING-INF/05 · 0 file
Distributed estimation for robots and vehicles 6 CFU · ING-INF/07 · 0 file
Distributed estimation for robots and vehicles 6 CFU · ING-INF/07 · 0 file
Dynamics of vehicles 6 CFU · ING-IND/13 · 0 file
Dynamics of vehicles 6 CFU · ING-IND/13 · 0 file
Embedded systems 9 CFU · ING-INF/01 · 0 file
Embedded systems 6 CFU · ING-INF/01 · 0 file
Industrial robotics 6 CFU · ING-IND/13 · 0 file
Industrial robotics 6 CFU · ING-IND/13 · 0 file
Intelligent distributed systems 9 CFU · ING-INF/07 · 0 file
Introduction to robotics 6 CFU · ING-INF/04 · 0 file
Machine learning 6 CFU · ING-INF/05 · 0 file
Mechanical vibrations 2° semestre · 6 CFU · ING-IND/13 · 0 file
Mechatronic systems simulation 15 CFU · MAT/08 · 0 file
Network dynamics 6 CFU · ING-INF/04 · 0 file
Precision engineering 12 CFU · ING-IND/12 · 0 file
Quality and innovation engineering 6 CFU · ING-INF/07 · 0 file
Renewable energy integration in smart grids 6 CFU · ING-IND/32 · 0 file
Robotic Perception and Action 6 CFU · ING-IND/12 · 0 file
Robotic Perception and Action 9 CFU · ING-IND/12 · 0 file
Superconducting Quantum Nanosystems, Circuits and Devices 6 CFU · FIS/01 · 0 file
Superconducting Quantum Nanosystems, Circuits and Devices 6 CFU · FIS/01 · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.