LM Ingegneria dell’Automazione – Piano di studi

Il corso di Laurea Magistrale in Ingegneria dell’Automazione propone una sintesi di insegnamenti di natura metodologico-concettuale e di insegnamenti di natura tecnico-pratica spesso a carattere interdisciplinare. Un buon numero di esami a scelta permette allo studente di scegliere il percorso più adatto ai propri interessi. Alcuni corsi sono in lingua Inglese.




Primo Anno

Obbligatori

Pilastro della formazione dell’Ingegnere dell’Automazione, introduce ai fondamenti dei modelli di stato lineari: i controllori in retroazione dallo stato, gli stimatori dello stato e il controllo ottimo lineare quadratico.

Machine learning, now pervading our daily life, is at the core of modern autonomous systems. You will learn the art and science of automatically learning from experience extracting information from measured data. 

I sistemi a tempo continuo vengono ormai controllati da microprocessori. L’accoppiamento di sistemi analogici e digitali e la relative problematiche sono analizzati alla luce degli obiettivi di controllo.

Modelli matematici per rappresentare la dinamica di una popolazione, le interazioni (predazione, competizione, etc.) fra popolazioni diverse, l’andamento delle epidemie, l’evoluzione genetica di una popolazione in corrispondenza a pressioni selettive.

I problemi di ricostruzione e predizione di segnali sono il cuore del controllo. Il corso descrive le metodologie classiche di stima e i risultati più attuali della stima non lineare basati sui filtri particellari.

You will see control techniques “in action”. In particular, frequency domain and state-space control methods for robust reference tracking are tested on a DC motor, a flexible joint and a balancing robot.

A scelta

Metric spaces, Completeness. Contraction Mapping Principle. Normed vector spaces, Banach spaces. Hilbert spaces. Bounded operators.
Elements of abstract integration. Harmonic Analysis. Reproducing Kernel Hilbert Spaces. Convex optimization. Duality Theory.

The course focuses on qualitative analysis of dynamics, Lagrangian mechanics and some basic concepts of calculus of variations. The aim is to approach a physical model with rigorous mathematical formalism. 

The course provides fundamentals on electric drives theory as well as insights on the design and implementation of their control system with reference to innovative solutions (sensorless control, predictive control, …) and to emerging applications (electric vehicles, energy, …).

The computer vision courses presents the principles and techniques for image processing, understanding and analysis. The course will show how to extract relevant information from visual data that can be used in challenging real world applications like autonomus driving or smart manifacturing. It presents the mathematical, programming, and technical issues of these tasks and will include a relevant hands-on laboratory part where students will also develop C++ applications based on the OpenCV library.

The course exploits basic signal analysis knowledge that the student is assumed to have acquired from previous studies to explore advanced concepts in the field of digital signal processing. The course will review Z-transform, linear time-invariant systems, FIR/IIR filters, to investigate the design and usage of digital filters, interpolation/decimation of digital signals, frequency analysis of digital signals. Practical application examples, useful in many areas of information engineering, will be provided.

Besides its tremendous advancements in physics, quantum theory is also expected to revolutionize classical information theory based on 0/1 bits and also how we compute and handle information. In this spirit, this course will discuss quantum principles such as quantum logic and the qubit, no-cloning theorem, quantum copying, quantum entanglement, quantum teleportation, quantum key distribution, quantum information and entropy measures, quantum computing algorithms.

L’insegnamento permette di acquisire le i fondamenti della Ricerca Operativa, ed in particolare le tecniche di ottimizzazione per problemi di tipo lineare e di tipo combinatorio, applicandole ad esempi di interesse applicativo. Gli studenti avranno le competenze per classificare un modello matematico di decisione utilizzando tecniche di programmazione lineare, programmazione lineare intera, e di analisi della complessità computazionale di un problema.

Il corso descrive la struttura dei sistemi di automazione industriale e i loro componenti: sensori/attuatori, controllori, reti di comunicazione, e fornisce nozioni relative alla progettazione delle logiche di automazione.

The course provides the statistical mechanics background and its relations to information theory and geometry to study complex systems ranging from brain activity, neural networks, networks, ecosystems, living organisms.




Secondo Anno

Obbligatori

The course introduces the most popular data-driven techniques to construct dynamical systems by means of statistical as well as machine learning methods.

The course provides methodological and application-oriented tools for the modeling and control of multi-agent systems. It is structured into four major sections: 1-Optimization, 2-Multi-agent systems, 3-Networked systems theory, 4-Applications.

The Robotic Vision and Control class covers modeling and control of robotic arm and mobile robots and the basis of the main image processing, feature extraction and visual serving algorithms.

An overview of nonlinear system analysis and control, including advanced Lyapunov stability and stabilization, nonlinear controllability and feedback linearization methods.

 
A scelta

Acquisition of information from the empirical world and the analysis of information quality is illustrated. The proposed laboratory activities provide a learning opportunity on the design of measurement applications based on commercial devices.

Il corso presenta il dimensionamento e controllo di assi per la movimentazione di carichi meccanici, con scelta ottimale del motoriduttore ed esempi applicativi

The course covers the theory and practice of modern artificial neural networks, highlighting their relevance both for machine learning applications and for modeling human cognition and brain function. Topics include single-neuron modeling and principles of neural encoding; supervised, unsupervised and reinforcement learning; feed-forward and recurrent networks; energy-based models; large-scale brain organization. Theoretical discussion of various types of network architectures and learning algorithms is complemented by hands-on practices in the computer lab (PyTorch framework).

Stage o Tirocinio 

Il tirocinio non è obbligatorio ma è una possibilità per chi desidera sviluppare la tesi presso un’azienda o un centro di ricerca nazionale o internazionale e confrontarsi fin da subito con il mondo del lavoro.
Lo studente può scegliere da solo l’azienda o ente dove svolgere il tirocinio o chiedere consiglio ai docenti.

Tesi e Prova Finale

Il percorso di studi termina con una tesi che impegna lo studente per circa sei mesi. La tesi è svolta sotto la supervisione di un docente e prevede che lo studente dimostri autonomia e capacità di sintesi nel produrre risultati originali. La tesi viene discussa nel corso di una seduta
di laurea al temine della quale lo studente viene proclamato Dottore Magistrale in Ingegneria dell’Automazione