Questa tesi si concentra sull'addestramento di un agente di Reinforcement Learning (RL), utilizzando algoritmi per il controllo continuo come DDPG, SAC o PPO, per sostituire un controller PID standard o nello spazio di stato. La ricerca esplorerà come l'agente RL gestisce i disturbi rispetto a un PID ben tarato e se può imparare a compensare naturalmente l'attrito o il gioco senza un modello matematico esplicito. Una sfida chiave sarà il gap "Sim-to-Real", che richiederà l'addestramento in ambienti di simulazione (es. MATLAB/Simulink o Python) prima del deployment sull'hardware reale.

Argomenti principali: Reinforcement Learning, Attuatori Lineari, Simulazione, Controllo Continuo

Requisiti di base:
Studente di Laurea Magistrale in Ingegneria dell'Automazione, Robotica o Informatica.

Buona conoscenza di framework di machine learning (Python) e MATLAB/Simulink.

Sede: Napoli

_______________

This thesis focuses on training a Reinforcement Learning (RL) agent,

utilizing algorithms suited for continuous control such as DDPG, SAC, or PPO, to replace a standard PID or state-space controller. The research will explore how the RL agent handles disturbances compared to a well-tuned PID and whether it can learn to naturally compensate for friction or backlash without relying on an explicit mathematical model. A primary challenge addressed will be the "Sim-to-Real" gap, involving training in simulation environments like MATLAB/Simulink or Python before deployment to real hardware.

Main topics: Reinforcement Learning, Linear Actuators, Simulation, Continuous Control

Basic requirements:
MSc student in Automation Engineering, Robotics, or Computer Science.

Good knowledge of machine learning frameworks (Python) and MATLAB/Simulink.

Location: Naples

Deep RL for High-Precision Position Control of a Linear Actuator

Automotive Sales Consultant - Torino

Responsabile di negozio

Ricevi nuove offerte di lavoro

Direttore Generale (M/F)

Contabile