Andrea Protopapa

Dottorando in Intelligenza Artificiale , 39o ciclo (2023-2026)
Dipartimento di Automatica e Informatica (DAUIN)

Profilo

Dottorato di ricerca

Argomento di ricerca

I miei interessi di ricerca sono incentrati sull'apprendimento automatico per robot, sviluppando sistemi Sim-to-Real efficienti e metodi IRL (basati su immagini e grafi) per task a lungo termine.

Tutori

Presentazione della ricerca

Poster

Interessi di ricerca

Robotics and human-robot interaction for Industry 4.0
Knowledge representation and reasoning

Biografia

Sono uno studente di dottorato del Dottorato Nazionale in Intelligenza Artificiale per l’Industria presso il Politecnico di Torino (XXXIX ciclo), dove lavoro nel VANDAL Lab sotto la supervisione del Professor Giuseppe Averta. La mia ricerca si concentra sull’apprendimento di skill per robot che operano in ambienti complessi e non strutturati, lungo due direttrici principali: il Sim-to-Real transfer e l’apprendimento di compiti long-horizon a partire da dimostrazioni.
Per quanto riguarda i miei lavori sul Sim-to-Real, sono autore principale di RF-DROPO, un metodo di Adaptive Domain Randomization offline e reset-free progettato per il controllo di soft robot. RF-DROPO stima una distribuzione sui parametri dinamici a partire da una quantità ridotta di dati reali e la utilizza per una domain randomization informata in simulazione, abilitando un transfer zero-shot di policy di manipolazione con un soft trunk robot reale e superando le prestazioni dei principali metodi di DR esistenti. Questo lavoro si inserisce nel percorso dei miei contributi precedenti sulla domain randomization per soft robot, tra cui un articolo pubblicato e presentato a IROS 2023.
In parallelo, mi occupo di Inverse Reinforcement Learning (IRL) per task di manipolazione long-horizon e multi-oggetto. Ho esplorato tecniche di image-based IRL basate sulla progressione di embedding, decomposizione in sottocompiti e sviluppo di termini di intrinsic reward e, più recentemente, ho proposto un framework di graph-based IRL che utilizza scene graph object-centrici e Graph Neural Network per scoprire automaticamente i sottocompiti e apprendere reward procedurali a gradini.
Ho anche partecipato all’attività didattica e di mentoring: ho collaborato ai corsi di Robot Learning, Machine Learning and Deep Learning e Algoritmi e Strutture Dati, e ho supervisionato una tesi di laurea magistrale. Sono stato visiting researcher presso INRIA Lille e ho ricevuto il SOFA Organizers’ Prize e il premio Best Poster allo SmartData@PoliTO Workshop per il mio lavoro sull’apprendimento robusto per soft robot. Sto pianificando un periodo di ricerca presso la TU Darmstadt, con co-supervisione della Professoressa Georgia Chalvatzaki.

Premi e riconoscimenti

  • Organizers’ Prize SOFA Award, 2023/11/14, International SOFA Symposium 2023, Paris, France https://www.sofa-framework.org/applications/plugins/reinforcement-learning-with-domain-randomization/ (2023)
  • 1st Year PhD Best Poster Award, 2023/09/25, 9th SmartData@PoliTO Workshop, Loano, Italy (2023)

Didattica

Insegnamenti

Corso di laurea magistrale

MostraNascondi A.A. passati

Corso di laurea di 1° livello

MostraNascondi A.A. passati

Pubblicazioni

Pubblicazioni più recenti Vedi tutte le pubblicazioni su Porto@Iris