MINISTERO
DELL'UNIVERSITÀ
E DELLA RICERCA
 
Programmi di ricerca cofinanziati - Modello C
Rendiconto di unita' di ricerca - ANNO 2004
prot. 2004094134_006


1. Area Scientifico Disciplinare principale  09: Ingegneria industriale e dell'informazione 
2. Coordinatore Scientifico del programma di ricerca  CHIAVERINI Stefano 
- Università  Università degli Studi di CASSINO 
- Facoltà  Facoltà di INGEGNERIA 
- Dipartimento/Istituto  Dip. AUTOMAZIONE, ELETTROMAGNETISMO, INGEGNERIA DELL'INFORMAZIONE E MATEMATICA INDUSTRIALE 
3. Titolo del programma di ricerca  PICTURE: Tecniche di Pianificazione e Controllo Intelligente per la Robotica in Ambienti non Strutturati 


 

4. Responsabile Scientifico dell'Unità di Ricerca  BONA Basilio 
- Università  Politecnico di TORINO 
- Facoltà  Facoltà di INGEGNERIA III 
- Dipartimento/Istituto  Dip. AUTOMATICA E INFORMATICA 
5. TITOLO del programma dell'unità di ricerca  Controllo Intelligente Multi-Sensoriale di Robot Mobili: Metodologie, Architetture e Strumenti di Prototipazione 
6. SETTORE principale dell'unità di ricerca:  ING-INF/04 


8. Descrizione della Ricerca eseguita e dei risultati ottenuti

Consuntivo Finale biennio 2005 – 2006
Attività di ricerca PICTURE – Unità di Ricerca POLITO
L’attività di ricerca svolta dall’Unità del Politecnico di Torino (POLITO) durante il biennio 2005 – 2006, può essere riassunta nei seguenti temi di ricerca in cui l’unità è coinvolta.
Tema: MULTI
Coordinamento: POLITO; altre Unità impegnate: UNICAS, UNIRM3, UNIVPM
Temi complementari su cui è impegnato POLITO: FUSE, SLAM, TEAM
L'unità POLITO ha svolto funzioni di coordinamento delle attività di ricerca relative al tema “Controllo basato su retroazione multisensoriale” (MULTI).
L’unità POLITO ha indirizzato le sue ricerche sia verso approfondimenti teorico-metodologici concernenti tutti gli aspetti del controllo multisensoriale intelligente, basato su tecniche miste (reactive/behavior-based control e model-based control), sia verso la realizzazione di più robot mobili a basso costo, dotati di multi-sensorialità (visione, sonar, link di comunicazione radio) e di una architettura di prototipazione rapida per algoritmi di supervisione e controllo, come è nelle tradizioni della sede.
Sono stati inoltre realizzati e testati sperimentalmente algoritmi per la localizzazione e lo SLAM di robot singoli, potenzialmente trasferibili a squadre di robot, che utilizzano sensori infrarossi (IR) a basso costo presenti sui robot a guida differenziale Khepera II.
La relazione è organizzata nel modo seguente: in primo luogo vengono sinteticamente descritte le attività relative ai temi (MULTI, FUSE, SLAM, TEAM) e i risultati conseguiti, successivamente verranno dettagliati alcuni dei risultati ottenuti.

MULTI
• messa in opera di due robot mobili a ruote differenziali Khepera II della K-Team; testing dei sensori e dei collegamenti radio con il supervisore; caratterizzazione dell’odometria;
• progetto e realizzazione di una telecamera on-board low-cost per robot Khepera II basata su ottica K2D;
• analisi di architetture di simulazione di robot mobili disponibili sul mercato, in particolare Webots e Kiks; scelta del simulatore Kiks, facilmente integrabile all’ambiente Matlab/Simulink;
• progetto e realizzazione di un’architettura SW per lo sviluppo e la prototipazione di algoritmi behavior-based per robot singoli;
• analisi, definizione e realizzazione di una serie di blocchi funzionali per il controllo behavior–based sotto Simulink;
• testing dell’architettura sopra descritta, che permette la generazione automatica del codice sia verso il simulatore Kiks sia verso il robot reale (Khepera II);
• analisi metodologica preliminare per sviluppo dell’architettura di prototipazione per integrare controlli behavior-based e model-based (BBMB) in algoritmi misti;
• definizione di task complessi per robot singoli: obstacle avoidance e SLAM in simulazione e sperimentalmente;
• analisi e sviluppo di estensioni del Real-Time Workshop per diversi target non originariamente supportati: processori (ad es. Motorola) e sistemi operativi (VxWorks, QNX e RT Linux).

FUSE
• messa in opera di un robot mobile a ruote differenziali Soccerbot della Joker Robotics (Fig. 1) dotato di sensori di prossimità, telecamera e sistema di comunicazione radio; testing dei sensori e dei collegamenti radio con il supervisore; caratterizzazione dell’odometria; definizione e progetto di semplici task di movimento basati sull’approccio reactive-control; progetto e realizzazione di un’architettura HW/SW per il comando a distanza e la trasmissione via radio dell’immagini riprese dalla telecamera di bordo;
• test di algoritmi di base per la fusione sensoriale, uso congiunto di sensori a infrarossi e di telecamera;
• algoritmi di fusione sensoriale da utilizzare sul robot mobile, utilizzando coppie di sonar in configurazione “stereo” per la localizzazione robusta di oggetti e ostacoli;
• calibrazione dell’odometria dei robot Khepera II;
• messa in opera del rover a ruote differenziali Volksbot con sistema di visione omnidirezionale.


SLAM
• Studio metodologico, simulazione su Kiks ed implementazione di algoritmi SLAM in casi semplici con un solo robot.
• Feedback metodologici in risposta alle problematiche tecnologiche riscontrate: la calibrazione dell’odometria su piccoli robot non consente di raggiungere risultati tali da poter utilizzare i robot in spazi medio grandi. Una reale attività di SLAM è pertanto limitata a superfici piane relativamente ridotte.

TEAM
• analisi metodologica preliminare del problema del controllo di squadre; interazione con quanto sviluppato in precedenza, per giungere alla definizione di una struttura robotica adatta a essere utilizzata per formare una squadra. Definizione di task complessi per squadre di robot e problematiche relative; analisi preliminare di squadre dotate di multisensorialità omogenea e non omogenea.

In conclusione:

• I temi MULTI e FUSE sono sostanzialmente allineati con quanto previsto nel progetto.

• Per quanto riguarda SLAM si sono sviluppate le attività di studio metodologico e simulazione di algoritmi SLAM per singolo robot.

• Per quanto riguarda TEAM è stata predisposta la struttura hardware di due robot. Tuttavia la scelta di privilegiare robot basso costo, come i Khepera, ha mostrato i suoi limiti, in quanto squadre formate da questi rover possono svolgere le loro funzioni solo in ambenti dimensionalmente limitati e relativamente ideali (privi di rugosità, polveri o altri elementi fisici che possono ostacolare il moto delle ruote, ecc.), a causa dei problemi derivanti dalle limitate dimensioni fisiche, dalla limitata autonomia energetica, dagli errori di odometria, ecc., che consiglierebbero di utilizzare rover con dimensioni superiori di almeno un ordine di grandezza. Nel secondo anno è stato pertanto messo in opera il rover Volksbot, risultato il candidato ideale per il suo rapporto costo-prestazioni.

Descrizione dettagliata delle realizzazioni e loro relazione con i Work Packages (WP) definiti nella domanda e qui riportati in sintesi:
WP1: mappatura dell’ambiente ed esperimenti di learning
WP2: costruzione di una squadra di robot a basso costo
WP3: realizzazione di una architettura software per la gestione e il controllo di robot multi-sensoriali singoli oppure in squadre
WP4: metodi e sperimentati algoritmi di SLAM basati su un approccio sia probabilistico sia deterministico

1. Rover SoccerBot e relativo sistema di supervisione e tele-guida – WP1, WP3
È stato utilizzato un robot mobile a basso costo SoccerBot della Joker Robotics (Fig. 1), dotato di controllore a 32 bit basato su Motorola 68332 (Fig. 2), due motori, una telecamera mobile intorno all’asse verticale (Fig. 3), tre sensori anteriori a infrarossi, un attuatore di forza impulsiva (utilizzato principalmente nelle competizioni Robocup e da noi considerato un generico attuatore) e un sistema di comunicazione radio da e per un PC (Fig. 4).

Su questo rover sono state progettate e realizzate le architetture di controllo del moto, utilizzando un’interfaccia Matlab© (Fig. 5) che permette di collegarsi via radio al robot mobile e controllarne il moto. Sono stati inoltre progettati e realizzati controlli di tipo behaviour-based, prendendo in considerazione compiti relativamente semplici di telesorveglianza, quali il raggiungimento di un target in presenza di ostacoli, la tele-guida mediante semplici interfacce, la decodifica e l’invio delle immagini dalla telecamera, il movimento della telecamera stessa.

Il comando del robot può avvenire sia agendo sui pulsanti della GUI (Fig. 5), sia sul mouse Magellan 3D (Fig. 6) integrato nel sistema attraverso un’interfaccia di calibrazione (Fig. 7).

Attualmente si attende l’arrivo di un collegamento radio Bluetooth per velocizzare le operazioni di scambio dei dati tra la base fissa e il rover.


Fig. 1


Fig. 2


Fig. 3


Fig. 4


Fig. 5


Fig. 6


Fig. 7

2. Robot Khepera II e sistema di prototipazione rapida – WP1, WP2, WP3, WP4
Sono stati acquistati e messi in funzione due robot mobili Khepera II della K-Team (Fig. 8); su di essi vengono testati i controllori progettati utilizzando l’ambiente di prototipazione basato su Matlab/Simulink. Il progetto del controllore avviene costruendo un modello Simulink connettendo semplicemente tra loro i blocchi che si ritengono necessari. Un apposito target integrato con il Real-Time Workshop Toolbox si occupa di tradurre il modello in codice eseguibile da scaricare sul robot per la sua esecuzione. Tale codice può essere parimenti eseguito nel simulatore Kiks semplicemente cambiando il target. Viste le limitate risorse della potenza di calcolo installa a bordo di un robot di queste dimensioni, sono state considerate e realizzate significative ottimizzazioni del codice.

Sono stati testati in simulazione numerosi algoritmi di navigazione per rover, valutandone l’efficacia e le problematiche legate all’implementazione pratica; gli algoritmi sono stati anche testati sperimentalmente, dopo aver provveduto a calibrare l’odometria dei robot; a questo proposito, si ribadisce che a causa delle dimensioni questi robot sono adatti solo a sperimentazioni in ambienti “controllati” e “ideali”, ossia privi di rugosità e pendenze, polveri o altri elementi fisici che possono ostacolare il moto delle ruote, ecc. A causa dei problemi derivanti dalle limitate dimensioni fisiche, dalla limitata autonomia energetica, dagli errori di odometria, ecc., si consiglierebbe di utilizzare rover con dimensioni superiori di almeno un ordine di grandezza per compiti realistici di mapping di ambienti. Per altro la scelta effettuata è essenzialmente dovuta a problemi di budget limitato (si pensi che un outdoor rover può avere un costo superiore di almeno 10 - 50 volte)


Fig. 8

3. Simulazioni e prove sperimentali di obstacle avoidance model-based vs behaviour based – WP1, WP4
Sono state condotte semplici simulazioni (utilizzando un simulatore sviluppato ad hoc sotto Matlab) per il testing delle prestazioni in compiti di obstacle avoidance, utilizzando sia algoritmi model-based sia behaviour-based: alcuni risultati sono riportati in Fig. 9. Dagli esperimenti effettuati si deduce la necessità che il controllore possa utilizzare in modo flessibile e “intelligente” entrambi gli approcci a seconda delle situazioni che il rover incontra.
Successivamente il simulatore sviluppato ad hoc sotto Matlab è stato perfezionato e sono stati condotti esperimenti di obstacle avoidance sfruttando un approccio innovativo che rientra nell’ambito della pianificazione del moto strategica. Tale approccio permette ad un robot a guida differenziale di effettuare un percorso tra due punti assegnati, in presenza di ostacoli e dovendo inoltre soddisfare vincoli inerenti l’assetto e la velocità iniziali e finali.
L’approccio sviluppato è innovativo in quanto sfrutta congiuntamente la teoria dei campi di potenziale e la generazione di spline settime per il calcolo della traiettoria da seguire.
In un primo tempo si individua iterativamente un possibile percorso, calcolando la forza risultante agente sul robot utilizzando i campi di potenziale calcolati a partire dagli ostacoli presenti, seguendo un’opportuna procedura. Successivamente si cerca la spline settima che meglio interpola i punti del percorso calcolato in precedenza. Tale curva non soddisfa alcune proprietà di smoothness, pertanto si è proceduto a spezzare la curva ad ogni punto di flesso, ricostruendo il percorso con un numero di spline pari al numero di flessi più uno.
Ogni spline è ottimizzata poichè si minimizza la derivata seconda della curvatura e sono soddisfatte proprietà di continuità.
In Fig. 10 si possono osservare alcuni esperimenti di obstacle avoidance effettuati con l’approccio descritto.

Questo approccio è stato implementato sul rover Volksbot. Si sono presentate alcune difficoltà tecniche e malfunzionamenti che hanno portato alla riprogettazione completa della scheda di attuazione dei motori del robot. In particolare sono state integralmente riprogettate sia le parti di potenza che le parti di controllo presenti nella scheda.
L’implementazione nel caso reale ha fornito risultati soddisfacenti, in quanto si è osservato sperimentalmente che il percorso compiuto dal rover rispecchia molto fedelmente la spline generata dall’algoritmo.
In Fig. 11 è visibile sia una fase saliente del movimento che le traiettorie spline percorse dal rover.


Fig. 9


Fig. 10


Fig. 11

4. Sensori a basso costo – WP1, WP2, WP4
Nell’ambito del tema FUSE si è analizzato il possibile sviluppo di algoritmi di fusione sensoriale sfruttando sensori a basso costo. In particolare ci si è focalizzati sui sensori ad infrarossi (IR), sui sensori di visione omnidirezionali. Parallelamente sono state analizzate le prestazioni di sensori in configurazione stereo, in particolar modo considerando sensori di visione e sonar.

4.1 Sensori a infrarossi
Sono stati sviluppati due metodi atti a sfruttare i sensori IR a bordo del robot Khepera II per calcolare distanze. Questi metodi sono stati concepiti per essere sfruttati all’interno di algoritmi di localizzazione e SLAM.
Il primo approccio sfrutta l’intera gamma di sensori per calcolare la distanza minima da un generico ostacolo. Si effettua una fusione delle informazioni derivanti dai vari sensori a disposizione per ottenere un’informazione affidabile. Tale approccio è stato sviluppato in simulazione utilizzando il simulatore Kiks, ottenendo prestazioni soddisfacenti.
Il secondo approccio è di tipo probabilistico; prevede il calcolo di una distanza per ogni sensore e successivamente la fusione dei dati in un apposito framework probabilistico, previa stima dei suoi parametri intrinseci.
Questo approccio è stato impiegato negli esperimenti di localizzazione ed in parte negli esperimenti di SLAM.


4.2 Sensori omnivision
Si è proceduto ad esaminare le potenzialità del sensore omnivision a bordo del robot Volksbot. Tale sensore è molto promettente per essere utilizzato in un contesto di multi-sensor fusion con sensori eterogenei. Si è proceduto quindi ad uno studio della visione artificiale della visione panoramica e dei sistemi catadioptrici.
In particolare il lavoro svolto ha seguito i seguenti passi:
- Analisi del funzionamento del sistema utilizzato e soluzione ai problemi nell’acquisizione delle immagini.
- Formazione geometrica delle immagini catadioptriche.
- Calibrazione del sensore catadioptrico e generazione delle informazioni salienti legate all’immagine.
- Studio ed implementazione di algoritmi per la visione catadioptrica.
- Creazione di una libreria per Matlab, utile nello studio delle immagini catadioptriche e nello sviluppo di applicazioni future.

In Fig. 12 è possibile osservare un esperimento di tracking di una palla da basket di colore arancione, che dimostra le buone prestazioni del sensore a basso costo in questione.


Fig. 12

4.3 Sensori stereo vision
Si è proceduto ad esaminare i problemi relativi alla calibrazione dei sensori di visione stereoscopica, utilizzando a tale fine due telecamere monocromatiche Sony XC-75CE con obiettivo 12 mm e un Frame-Grabber Sensoray 611. Si è realizzato un pacchetto SW adatto alla calibrazione dei
- parametri intrinseci
- parametri estrinseci
- coefficienti di distorsione
Gli algoritmi sono stati sperimentati nel controllo, attraverso un anello di visione, di un braccio robotico Comau.

4.4 Sensori stereo sonar
L’utilizzo di un sensore a basso costo per l’obstacle avoidance e la localizzazione robusta di oggetti e ostacoli ci ha spinto ad esaminare la possibilità di utilizzare coppie di sensori sonar in configurazione stereo (Fig. 13) al fine di ridurre l’errore di distanza e direzionalità che sono una delle caratteristiche comuni di tali sensori. I risultati ottenuti denotano una buona qualità della misura ottenuta (Fig. 14)


Fig. 13


Fig. 14

5. Localizzazione e SLAM – WP1, WP4
In questo ambito si è proceduto con un approccio incrementale. In una prima fase si è studiato ed implementato un algoritmo di localizzazione denominato Monte Carlo Localization per il robot Khepera II basato sulla teoria dei particle filters. Questo algoritmo riceve in ingresso una mappa di tipo “occupancy grid” dell’ambiente nel quale è inserito e sfrutta unicamente i sensori IR ed i dati derivanti dagli encoders per effettuare la localizzazione.
L’algoritmo di localizzazione consta di una fase di predizione, in cui si sfrutta il modello di movimento del robot per generare ipotesi di posizione del robot, e di una fase di update, in cui si usa il modello probabilistico dei sensori per la validazione delle ipotesi fatte.
Le varie ipotesi di posizione, denominate “particles”, convergono dopo un tempo finito alla posizione vera del robot. (Fig. 15).


Fig. 15

È stato successivamente condotto uno studio per verificare la possibilità di effettuare anche esperimenti SLAM basati essezialmente sull’uso diretto dei particle filters. Questo è però stato ritenuto a priori troppo oneroso dal punto di vista computazionale e generalmente non adatto per essere utilizzato in congiunzione con i modelli dei sensori realizzati.
Per questo motivo sono state considerate mappe feature-based, in modo tale da consentire un uso migliore dei dati provenienti dai sensori.
E’ stato quindi realizzato un algoritmo SLAM basato sul filtro di Kalman esteso (EKF), in cui vi è l’estrazione delle features nella fase di predizione e, nella fase di update, l’aggiornamento congiunto della stima delle features e della posizione del robot.
Il processo di stima delle features sfrutta alcune peculiarità dei modelli dei sensori descritti in precedenza e consta dei seguenti passi:
• partizionamento dei dati grezzi ed individuazione di clusters/regioni;
• regressione lineare dei dati delle singole regioni ed individuazione di segmenti, ove possibile;
• eventuale unione delle linee estratte da più regioni
In Fig. 16 è possibile osservare la mappa generata da un esperimento di SLAM, dove le linee di colore rosso sono quelle estratte nella fase di predizione.


Fig. 16

6. Architetture di prototipazione rapida per algoritmi behaviour-based – WP3
Sono stati progettati e realizzati una serie di blocchi Simulink (Fig. 17) che permettono la prototipazione di algoritmi basati sull’approccio alla Braitenberg e su reti neurali, nonché sul comando dei motori e su altre funzioni di cinematica e accessorie. Tale ambiente consente di compilare, scaricare ed eseguire il codice sia nel simulatore Kiks sia direttamente sui robot Khepera II, rendendo così estremamente rapida la fase di prototipazione.


Fig. 17

7. Simulatori per localizzazione e SLAM – WP3
Per ovviare a problemi riscontrati relativamente al simulatore Kiks, nella fase di comunicazione tra il robot Khepera II e Matlab, sono state implementate ex novo e testate le librerie di comunicazione (dll) estendendone anche le funzionalità in modo tale da poter agilmente gestire i moduli ad alta velocità Bluetooth disponibili per il robot Khepera II.

9. Pubblicazioni
del responsabile

Pubblicazione 
1. BONA B.; INDRI M.; SMALDONE N. (2004). Architectures for Rapid Prototyping of Model-based Robot Controllers
In SICILIANO B.; DE LUCA A.; MELCHIORRI C.; CASALINO G. Advances in Control of Articulated and Mobile Robots pp. 101-123 ISBN: 3-540-20783-X : Springer
 
2. ALOTTO G.; BONA B.; T. CALVELLI (2004). Prototyping Advanced Real-Time Robotic Controllers on Linux RTAI Systems with Automatic Code Generation
Mechatronics and Robotics 2004 International Conference (12-15 September 2004) vol. 2 pp. 471-476
 
3. BONA B.; INDRI M (2005). Friction Compensation in Robotics: an Overview.
44th IEEE Conference on Decision and Control (CDC 05) and European Control Conference ECC 2005. (December 2005) pp. 4360-4367
 
4. BONA B.; INDRI M; SMALDONE N (2006). Rapid Prototyping of a Model-Based Control With Friction Compensation for a Direct-Drive Robot
IEEE/ASME TRANSACTIONS ON MECHATRONICS pp. 576-584 ISSN: 1083-4435
 
5. ABRATE F; BONA B. (2006). Mobile robot localization using low cost IR sensors: Kiks simulation and Khepera II experiment
Convegno nazionale CIRA 2006 (18-20/09/2006)
 

dei partecipanti
1. Bongiovanni M.; 2005; An Experimental Framework For Rapid Prototyping Of Mobile Robot Controllers; Rivista: Proc. lnternational Congress Toward Autonomous Robotic Systems (TAROS) 
2. Calafiore G.; 2005; Reliable Localization using Set-Valued Nonlinear Filters; Rivista: IEEE Transactions on Systems, Man, and Cybernetics; Volume: 35 
3. Calafiore G., Bona B.; 2005; Set-Membership Nonlinear Filtering with Second-Order Information.; Rivista: IFAC05 World Congress 
4. Indri M.; 2006; A Robust Non Model-Based Friction Compensation Approach.; Rivista: 8th IFAC Symposium on Robot Control (SYROCO 2006) 
5. Pérez Allende S. D., Bona B.; 2006; Panoramic Vision Using a Catadioptric Sensor: Algorithms for Mobile Robotics; Rivista: Convegno Nazionale CIRA 2006 


10. Prodotti della Ricerca eseguita

Strumentazione realizzata o messa in opera: 1 robot su ruote differenziali SoccerBot della Joker Robotics; 2 mini robot su ruote differenziali Khepera II con i relativi accessori; 2 telecamere x Khepera II; 2 sistemi di trasmissione radio veloci x Khepera II
1 rover a ruote differenziali Volksbot, con sistema di visione omnidirezionale sensori a ultrasuoni in configurazione stereo;
progettazione e realizzazione di frame-grabber onboard da utilizzare sui Khepera II per evitare i ritardi di trasmissione dell’immagine al PC di supervisione.
Prodotti della ricerca:
progetto, realizzazione e test di algoritmi di supervisione e controllo di un robot mobile per telesorveglianza SoccerBot, utilizzando GUI Matlab; algoritmi di calibrazione per odometria (applicati a Khepera II e SoccerBot); architetture di prototipazione rapida di controllori reattivi (behavior-based) basati su Matlab/Simulink per Khepera II; algoritmi di simulazione per lo studio dei trade-off tra controlli behavior-based e model-based ; algoritmi di calibrazione per sensore omnivision; algoritmi di simulazione per SLAM; algoritmi di localizzazione basati su sensori IR per minirover Khepera II; algoritmi di SLAM basati su sensori IR a basso costo per minirover Khepera II; upgrade dell’ambiente di simulazione Kiks per Khepera II.
Pubblicazioni su riviste a diffusione internazionale:
Bona B.; Indri M.; Smaldone N. (2006). Rapid Prototyping of a Model-Based Control With Friction Compensation for a Direct-Drive Robot. IEEE/ASME TRANSACTIONS ON MECHATRONICS pp. 576-584 ISSN: 1083-4435.
Pubblicazioni su riviste a diffusione nazionale:
M. Bongiovanni, B. Bona, “Prototipazione Rapida di Controllori Real-Time per Robot Industriali”, Automazione e Strumentazione, Ottobre 2004, n. 9, pp.117 – 120.
Pubblicazioni su libri o atti di conferenze:
Bona B.; Indri M.; Smaldone N. (2004). Architectures for Rapid Prototyping of Model-based Robot Controllers In SICILIANO B.; DE LUCA A.; MELCHIORRI C.; CASALINO G. Advances in Control of Articulated and Mobile Robots pp. 101-123 ISBN: 3-540-20783-X : Springer
Bona B.; Indri M. (2005). Friction Compensation in Robotics: an Overview. 44th IEEE Conference on Decision and Control (CDC 05) and European Control Conference ECC 2005. (December 2005) pp. 4360-4367.
M. Bongiovanni, “An Experimental Framework for Rapid Prototyping of Mobile Robot Controllers”, Proc. International Conference Toward Autonomous RObotS (TAROS), pp. 21 – 27, Londra, 2005.
B. Bona, A. Curatella, “Identification of Industrial Robot Parameters for Advanced Model-Based Controllers Design”, CD Proceedings, ICRA 2005, Barcelona, April 2005, pp. 1693-1698.
B. Bona, A. Curatella, “Closed-Loop Rigid Model Identification of an Industrial Robot”, CD Proceedings, IFAC05 World Congress, Prague, July 2005, paper # 03096, paper code Th-A04-TO/4.
G. Calafiore, B. Bona, “Set-Membership Nonlinear Filtering with Second-Order Information”,
CD Proceedings, IFAC05 World Congress, Prague, July 2005, paper # 01612, paper code Fr-A13-TO/4.
Alotto G.; Bona B.; Calvelli T. (2004). Prototyping Advanced Real-Time Robotic Controllers on Linux RTAI Systems with Automatic Code Generation, Mechatronics and Robotics 2004 International Conference (12-15 September 2004) vol. 2 pp. 471-476
B. Bona, M. Indri, “Friction Identification in Robotics: an Overview”, CD Proceedings, CDC-ECC′05, December 12-15, 2005, Seville, Spain, pp. 4360-4367.
ABRATE F; BONA B. (2006). Mobile robot localization using low cost IR sensors: Kiks simulation and Khepera II experiment. Convegno nazionale CIRA 2006 (18-20/09/2006)
Indri M. 2006 A Robust Non Model-Based Friction Compensation Approach. 8th IFAC Symposium on Robot Control (SYROCO 2006)
Partecipazioni a conferenze internazionali:
ICRA05 (Barcellona), IFAC05 (Praga), CDC-ECC05 (Siviglia), SYROCO 06 (Bologna), CDC-06 (San Diego).
Addestramento di personale: attività per dottorando di Ingegneria Informatica e dei Sistemi (Scuola di Dottorato del Politecnic...