Esperienze di utilizzo del Reinforcement Learning nel contesto dell'Ingegneria dell'Automazione

This thesis examines the application of Reinforcement Learning (RL) in industrial and robotic contexts, with a particular focus on simulations in the MATLAB environment. The survey begins with an introduction to the basic principles of RL and its intersections with Machine Learning (ML), exploring the history, methodologies, and ethical implications of the field. Continuing, the paper delves into the practical applications of RL in Industry 4.0, demonstrating its potential in Smart Factories and enabling technologies. Through three case studies (Robot Arm, Automatic Parking Valet, and Walking Robot), the thesis details the implementation of advanced algorithms, such as Soft Actor Critic (SAC), Deep Deterministic Policy Gradient (DDPG), and Twin-Delayed DDPG (TD3), unveiling the challenges and strategies of training intelligent agents. The paper concludes with a critical discussion of simulation results and a reflection on future developments of RL, outlining its emerging role in the evolution of intelligent industries and autonomous robotics. Keywords: Machine Learning, Artificial Intelligence, Reinforcement Learning, RL, Industry 4.0, Agent, Environment, Reward, SAC, TD3, DDPG.

In questa tesi si esamina l'applicazione del Reinforcement Learning (RL) in contesti industriali e robotici, con un focus particolare sulle simulazioni in ambiente MATLAB. L'indagine inizia con un'introduzione ai principi fondamentali del RL e alle sue intersezioni con il Machine Learning (ML), esplorando la storia, le metodologie e le implicazioni etiche del campo. Proseguendo, il lavoro si addentra nelle applicazioni pratiche del RL nell'Industria 4.0, dimostrando il suo potenziale nelle Smart Factory e nelle tecnologie abilitanti. Attraverso tre casi di studio (Robot Arm, Automatic Parking Valet e Walking Robot), la tesi dettaglia l'implementazione di algoritmi avanzati, come il Soft Actor Critic (SAC), il Deep Deterministic Policy Gradient (DDPG) ed il Twin-Delayed DDPG (TD3), svelando le sfide e le strategie di addestramento degli agenti intelligenti. Il documento si conclude con una discussione critica sui risultati delle simulazioni e una riflessione sui futuri sviluppi del RL, delineando il suo ruolo emergente nell'evoluzione delle industrie intelligenti e della robotica autonoma. Parole Chiave: Machine Learning, Intelligenza Artificiale, Reinforcement Learning, RL, Industria 4.0, Agente, Ambiente, Ricompensa, SAC, TD3, DDPG.