Press

Press category

Other posts

29 Giugno 2022

Risutati esame Giugno   A S 213378 – NS C F 209335 – NS S R 179648 – NS E J 209593 – NS B G 204795 – 16 T E 201673 – 24 S A 209668 – 23 Z G 209351 – 27 B V 209599 – 19 V D 209718 – 21 Continue reading →

COMPENSAZIONE DINAMICA DI UN SENSORE DI TEMPERAURA Pt100 15 Maggio 2022

COMPENSAZIONE DINAMICA DI UN SENSORE DI TEMPERAURA Pt100

Studenti: Matteo Bonato, Matteo Bonetto, Enrico Michelato

Supervisore: Prof. Mariolino De Cecco

L’obiettivo della tesi è innanzitutto creare un termometro utilizzando la Pt100 come sensore di temperatura. Tramite questo termometro, poi, vogliamo creare uno strumento che sia in grado di approssimare la temperatura del corpo in esame in pochi secondi, senza dover aspettare l’equilibrio termico.

1.1 Individuazione della funzione di trasferimento

Sia la sonda dotata di massa M, coefficiente termico c, coefficiente di scambio termico convettivo h e superficie di contatto A. Data Tf  la temperatura del fluido in cui è immersa, posso eguagliare la potenza termica trasmessa tra essa ed il fluido in questione con la derivata dell’energia termica scambiata dalla stessa:

Applico ora la trasformata di Fourier per ricavare la corrispondente equazione algebrica nel dominio di Fourier. Ricavo la funzione di trasferimento data dal rapporto tra la temperatura attuale della sonda e la temperatura del fluido nel quale essa è sommersa:

2. Circuito

2.1 Descrizione del circuito

Il circuito che andrà a comporre l’intero PCB, il cui schematico è qui riportato, può essere diviso in quattro sezioni:

  • slot per il collegamento delle pile, ossia l’alimentazione del PCB
  • il circuito principale del PCB, che permette di convertire la temperatura della Pt100 in un valore di tensione
  • un microprocessore, Arduino NANO, che elabora il segnale di tensione sopra citato
  • un display 7 segmenti, per leggere la temperatura della sonda Pt100

Il circuito è stato prima assemblato su breadboard e in seguito saldato su millefori, e poi su PCB, come illustrato nelle immagini sottostanti.

3. Identificazione della costante di tempo

3.1 Importazione dati

Per determinare la costante di tempo τ della sonda Pt100, la abbiamo sottoposta ad un gradino di temperatura immergendola in un fornelletto a temperatura costante. Sono stati quindi registrati i valori di tensione in uscita dal circuito, determinando quindi la temperatura della Pt100.

3.2 Primo Metodo

L’equazione che descrive l’andamento della temperatura nel tempo (ricavata dall’equazione 2) è:

il valore di temperatura al tempo t = τ vale quindi

Si noti dunque che di questa formula appena descritta conosciamo tutte le variabili.

L’idea è quindi quella di trovare il valore di temperatura sperimentale più vicino possibile al valore teorico individuato, e da quello trovare il valore di tempo al quale la Pt100 raggiunge quella temperatura, che corrisponderà al valore di tau.

3.3 Secondo Metodo

Data la seguente equazione:

rappresentiamo su un grafico      sull’asse X, e il tempo sull’asse Y, otteniamo l’equazione di una retta che ha per coefficiente angolare -1/τ.

Attraverso una regressione lineare (interpolazione) viene approssimato l’andamento della curva determinata con una retta.

Ricordando che il valore del coefficiente angolare di questa retta è -1/τ, possiamo risalire ad un valore di τ.

3.4 Terzo Metodo

Vengono, in pratica, “simulate” tante prove, ognuna corrispondente ad una Pt100 con un valore di τ diverso. Quella che più assomiglia alla prova da noi svolta sarà quella corrispondente al τ che più si avvicina a quello della nostra sonda Pt100.

Il valore approssimato di τ è ottenuto dalla media di tutti i valori determinati:

τmedio = 96.0.967s

4. PCB

4.1 Descrizione Generale

Nella realizzazione del PCB (Printed Circuit Board) è stata determinata la disposizione dei dispositivi in modo da consentire un facile utilizzo dello strumento.

Un esempio sono la posizione centrale del display, la disposizione laterale di Arduino, che permette la programmazione senza doverlo necessariamente rimuovere dalla scheda, e la posizione dei test point, collocati verso l’esterno della scheda. Inoltre è importante che l’alimentazione sia rivolta verso l’esterno. Questo per facilitarne il collegamento con le pile che saranno posizionate nella custodia, esternamente al PCB.

Tale custodia verrà infine fissata al PCB tramite i fori di montaggio posizionati ai quattro angoli della scheda.

5. Compensazione dinamica

5.1 Introduzione

Dato un sistema dinamico regolato da equazioni differenziali lineari, la caratteristica che determina l’uscita in base ad un ingresso è la funzione di trasferimento.

In un sistema di misura, l’ingresso u(t) viene inteso essere il misurando, mentre l’uscita corrisponde con il segnale che lo strumento fornisce.

Chiaramente è necessario avere una certa conoscenza dello strumento utilizzato per effettuare la misura, ed in particolare della sua funzione di trasferimento. Quindi, nel dominio delle frequenze, vale la seguente relazione:

dove U(ω) è l’uscita, H(ω) la funzione di trasferimento, e Y (ω) l’ingresso.

Nel nostro caso specifico, Y (ω) è la temperatura che noi vogliamo sapere, cioè la temperatura del fornelletto. H(ω) è la funzione di trasferimento dello strumento che utilizziamo per misurare il fornelletto, ossia la Pt100. U(ω) è la misura dell’uscita del circuito, che noi quindi conosciamo.

La compensazione dinamica è proprio il processo che permette, avendo a disposizione l’uscita dello strumento, di stimare l’andamento del misurando e quindi effettuare l’operazione di misura.

6. Metodi 1

6.1 Introduzione

L’idea su cui si basa questa soluzione prevede di dividere il segnale in intervalli (tint), abbastanza ampi da contenere più campioni (tc), e salvare il valore di tensione in ingresso rilevato al primo campionamento.

A questo punto, ipotizziamo che da un intervallo all’altro non vi siano sbalzi della temperatura d’ingresso significativi (essendo comunque Tint circa un secondo non ci aspettiamo, nel campo delle misure termiche, variazioni a queste frequenze) e così facendo possiamo considerare ogni intervallo soggetto ad ingressi a sé stanti.

Possiamo quindi, con le equazioni precedentemente calcolate, determinare la temperatura del fornelletto relativa ad ogni intervallo di temperature.

6.2 Risultati

La compensazione dinamica effettuata con questo metodo è riuscita, e nella foto qui sotto vi è un esempio

Sull’asse delle ascisse è presente il tempo [s], mentre sull’asse delle ordinate si trova la temperatura [C°].

Circa dopo 60 secondi la sonda Pt100 è stata messa nel fornelletto, sottoponendola dunque ad un gradino di temperatura.

La curva rossa rappresenta la temperatura della Pt100, che sale lentamente fino ad arrivare al valore di assestamento, ossia la temperatura del fornelletto (circa 50 gradi).

In azzurro è rappresentata la temperatura compensata, risultato del codice descritto sopra. Come si può notare, la temperatura compensata già dopo 20 secondi riesce a predirre abbastanza accuratamente la temperatura del fornelletto, mentre la sonda Pt100 ci impiega almeno altri 3 minuti.

7. Metodo 2

7.1 Descrizione

Come ricavato nel Capitolo 1, la funzione di trasferimento che lega l’ingresso e l’uscita del nostro sistema è la seguente:

Isolando quindi la variabile di interesse, ossia la temperatura finale Tf(ω) otteniamo:

Nel dominio di Laplace, moltiplicare la variabile T(ω) per (i omega), corrisponde, nel dominio del tempo, a fare la derivata di T(ω).

Trasformando nuovamente l’equazione precedente e tornando quindi nel dominio del tempo, otteniamo:

Tra i vari modi di effettuare una derivata, noi abbiamo scelto il più semplice, che poi si è rivelato anche essere il più efficace. La derivata di T(t) viene svolta semplicemente campionando 2 valori di T(t) e dividendo la loro differenza per il tempo di campionamento tc.

7.2 Risultati

La compensazione dinamica effettuata con questo metodo ha funzionato, e qui sotto ne sono mostrati i risultati:

Sull’asse delle ascisse è presente il tempo [s], mentre sull’asse delle ordinate si trova la temperatura [C°].

Circa dopo 20 secondi la sonda Pt100 è stata messa nel fornelletto, sottoponendola dunque ad un gradino di temperatura.

La curva rossa rappresenta la temperatura della Pt100, che sale lentamente fino ad arrivare al valore di assestamento (circa 100 gradi).

In azzurro è rappresentata la temperatura compensata, risultato del codice descritto sopra. Come si può notare, la temperatura compensata già dopo 20 secondi riesce a predire abbastanza accuratamente la temperatura del fornelletto, mentre la sonda Pt100 ci impiega almeno altri 3 minuti.

8. Conclusioni

Come si può notare dai grafici dei risultati prima mostrati, le curve delle temperature compensate (linee azzurre), appaiono, anche se poco, “sporcate” da un rumore in alta frequenza.

Il rumore in alta frequenza è rimasto, seppur in misura molto minore, anche dopo aver messo un filtro passa-basso dopo l’uscita del circuito.

Il filtro in questione è un filtro R-C del primo ordine, con frequenza di taglio a 10 Hz.

Senza il suddetto filtro, la temperatura della Pt100 veniva registrata con un rumore piuttosto elevato, e ciò causava delle oscillazioni piuttosto brusche della curva della compensata. Questo fenomeno si può notare bene da questo grafico:

Il rumore, come si può notare dai grafici dei risultati, non è scomparso completamente.

Questo a causa dell’amplificazione delle alte frequenze che avviene durante l’inversione della dinamica.

 

Continue reading →

XR Spring School 2022 8 Maggio 2022

The main aim of the eXtended Reality Spring School 2022 is to propose a privileged moment for stimulating discussions and exchanging scientific experiences and technical results related to eXtended Reality technology.

eXtended Reality (XR) is an emerging umbrella term for all the immersive technologies – Augmented Reality (AR), Virtual Reality (VR), and Mixed Reality (MR) – that aims to extend the user senses by blending the virtual and real worlds and creating a fully immersive experience.

 

Lecture 6: Mariolino De Cecco, University of Trento, Italy
eXtended Reality for clinical eye augmentation

 

 

 

 

 

Continue reading →

Gruppi Esercitazione Machine Learning 9 Maggio 2022

Di seguito le date ed i gruppi per l’esercitazione sul machine learning che si terrà online.

9/5/2022 – 16/5/2022 – 23/5/2022 ore 14:30

Cognome Matricola
Pedrotti 209321
Marinolli 209025
Baroni 209419
Sembenini 202005
Quaini 209364
Ramundo 209545
Saviane 209668
Case 213608
Pozza 209001
Pavanello 209874
Bignardi 208982
Fighera 209204
Ragessi 209005
Mosca 209164
Scalmazzi 210558
Mariotti 213861
De Nart 209562
armani 213378
Marin 209617
Zeni 209629
Righi 200566
antiga 210596
Luciani 186000
Paludetto 209476
Vernazza 209452
Palmieri 209370
Bergamini 208989
Mascanzoni 209976
Zambonato 209901
Rigoni 209523
Calai 209851
Ambrosi 209704
Mazzer 213447
Tranquillini 204836
Pedri 209295
Masera 202589
Barzazi 209248
Casagrande 209132
Komatz 213483
Berti 213490
Nachira 205451
Endrizzi 209593
Benini 209263
Cacciatori 209303
Corradini 213414
Cagol 209366
Bertella 209104
Crestaz 209009
arnoldi 209672

 

12/5/2022 – 6/6/2022 – 7/6/2022 ore 14:30

Cognome Matricola
Castagna 209153
Trentinaglia 209618
Broilo 209234
Pasini 209258
Perinon 209218
Vello 209165
Colavero 209517
Simonetto 209246
Leonardelli 193134
Marconi 209290
Marchesini 209490
Righetti 209779
Defrancesco 209840
Toniato 209314
Canuto 209335
Rosà 209711
Silvan 209014
Frena 213856
Baldo 209599
Goennheimer 209547
Carli 210565
Boninsegna 211330
Svaldi 202235
Zafalon 209351
Tavelli 213417
Villa 209718
Bianchi 209058
Valla 209726
Zerbinati 209152
Ciresa 209928
Feltrin 209049
Lonardi 202134
Guarnieri 201704
Plattner 209529
Boschetti 202095
Visentin 209504
Salhi 208994
Franco 209570
Paternoster 204899
Fontanari 213372
Zanetti 208948
Paoli 211344
Lise 209011
Bonvicin 209052
Menapace 202191
Cicolin 209571
Chiusole 209660
De Nadai 209353
Giacomuzzo 209013
Carli 209511
Continue reading →

Gruppi Esercitazione Pt100 9 Maggio 2022

Le esercitazioni si terranno presso la Palazzina della Didattica a Povo 0 (conosciuta come la “Malga”). Di seguito le date e i gruppi.

2/5/2022 ore 14.30

Cognome Matricola
Pedrotti 209321
Marinolli 209025
Baroni 209419
Sembenini 202005
Quaini 209364
Ramundo 209545
Saviane 209668
Case 213608
Pozza 209001
Pavanello 209874
Bignardi 208982
Fighera 209204
Ragessi 209005
Mosca 209164
Scalmazzi 210558
Mariotti 213861
De Nart 209562
armani 213378
Marin 209617
Zeni 209629
Righi 200566
antiga 210596
Luciani 186000
Paludetto 209476
Vernazza 209452
Palmieri 209370
Bergamini 208989
Mascanzoni 209976
Zambonato 209901
Rigoni 209523
Calai 209851
Ambrosi 209704
Mazzer 213447

 

5/5/2022 ore 14.30

Cognome Matricola
Castagna 209153
Trentinaglia 209618
Broilo 209234
Pasini 209258
Perinon 209218
Vello 209165
Colavero 209517
Simonetto 209246
Leonardelli 193134
Marconi 209290
Marchesini 209490
Righetti 209779
Defrancesco 209840
Toniato 209314
Canuto 209335
Rosà 209711
Silvan 209014
Tranquillini 204836
Pedri 209295
Masera 202589
Barzazi 209248
Casagrande 209132
Komatz 213483
Berti 213490
Nachira 205451
Endrizzi 209593
Benini 209263
Cacciatori 209303
Corradini 213414
Cagol 209366
Bertella 209104
Crestaz 209009
Arnoldi 209672

 

19/5/2022 ore 14.30

Cognome Matricola
Frena 213856
Baldo 209599
Goennheimer 209547
Carli 210565
Boninsegna 211330
Svaldi 202235
Zafalon 209351
Tavelli 213417
Villa 209718
Bianchi 209058
Valla 209726
Zerbinati 209152
Ciresa 209928
Feltrin 209049
Lonardi 202134
Guarnieri 201704
Plattner 209529
Boschetti 202095
Visentin 209504
Salhi 208994
Franco 209570
Paternoster 204899
Fontanari 213372
Zanetti 208948
Paoli 211344
Lise 209011
Bonvicin 209052
Menapace 202191
Cicolin 209571
Chiusole 209660
De Nadai 209353
Giacomuzzo 209013
Carli 209511
Continue reading →

GAIT ANALYSIS USING LASER RANGEFINDER 5 Aprile 2022

 

STUDENTS: Mattia Sartori, Giacomo Mutti

SUPERVISORS: Prof. Mariolino De Cecco, Valentina Nardon, Luca Maule

Introduction

The purpose of the project is to automatically detect the different gait phases of a user which is walking with the help of an autonomous mobile walker. The walker is developed with the aim of supporting young girls affected by Rett syndrome throughout the path. This preliminary study shows how to analyse data acquired with a laser rangefinder positioned on the walker used by a healthy person to detect the phases of the gait cycle.

Gait phases

The gait cycle [1] refers to the repetitive motion of a leg during the walk. From a temporal perspective, it can be divided into two main phases (Figure 1):

  • The stance phase of gait begins when the foot first touches the ground (heel strike) and ends when the same foot leaves the ground (toe off). The stance phase makes up approximately 60% of the gait cycle.
  • The swing phase of gait begins when the foot first leaves the ground (toe-off) and ends when the same foot touches the ground again (heel strike). The swing phase makes up the other 40% of the gait cycle.

The cycle is intended for one leg, and it repeats symmetrically for the other.

The setup

The data were acquired by means of the laser rangefinder RPLidar A1 M8 [7] that creates a 2D point cloud of the surrounding space at 360°.

The sensor is placed on a plane horizontal support on the walker in front of the person at a heigh just under the knee (Figure 2). This position allows the LIDAR to monitor the region underneath the knee where the swing phase can be easily caught and, being in front of the user, both legs are always visible to the sensor.

Data acquisition and manipulation

Via the manipulation of the C++ code included in the sdk provided by the manufacturer [5], it was possible to record several subsequent acquisitions (turns) of the sensor and the output (angle and distance of each point in point of the cloud) was then handled with a MATLAB script (Figure 3).

The script filters out all the data outside the region of interest (defined by an angle between 160 and 200 degrees and a distance up to 900 mm) where the two legs reside. Indeed, in this region are visible the two arcs associated with the legs (Figure 4).

By identifying two moving search regions it was possible to segment the 2 legs. The search regions cover a constant interval and the points of a leg at each acquisition are the ones residing in the search regions (red boxes in Figure 5) centred in each leg’s centre of mass at previous acquisition (red dots in Figure 5). At the first iteration the legs are identified by choosing a threshold on the angle.
This approach ensures a correct tracking of the legs avoiding disturbances coming from the environment such as objects detected inside the first wider region of interest.

Since the sensor is very close to the legs, to obtain stable measurements, each leg is approximated with a circle of known radius (given by the circumference of the user’s leg). This results in a compact representation of the legs, which is reducing the influence of the shape deformations of the laser [3].

To locate the circumference, a specific algorithm was created. The concept is shown in Figure 6 and is as follows.
Focusing on a single leg, starting from the centre of mass, a grid of points P is created (green points in Figure 6). The best circumference is determined analysing the error committed by approximating the leg’s points Q with a circle of known radius centred in each grid point. The error is given by the sum of squared residuals between PijQk and the known radius r is calculated. The centre of the best fitting circumference is determined as the centre of mass of all the grid points where the mass is given by the inverse of the error.

The result is shown in Figure 7.

The circle fit is done at each revolution and its centre is used for the extraction of the following features that form a feature vector:

  • Single leg coordinates (Figure 8)
  • Single leg velocity along x (Figure 9)
  • Legs relative distance
  • Legs relative position
  • Relative velocity along x
  • Angle with respect of y axes

Gait phases individuation

Putting together all the feature vectors extracted, a global features table was created combining 4 different sets of measures taken in the laboratory, for a total of 582 Lidar revolutions.

At this point, a manual labelling of the whole dataset was done considering the following classes (phases):

1 – double support, left leg forward
2 – right leg swing
3 – double support, right leg forward
4 – left leg swing
5 – standing

The manual labelling was carried out by analysing the graphs of the single features and comparing them to a video recorded during the time of the data acquisition showing the feet of the user walking.

Gait phases automatic detection

Given the labelled dataset, 80% of it was used for training and the remaining 20% for testing.
Using MATLAB Classification Learner Toolbox it was possible to train several models in parallel and the best performing after training with K-fold cross validation was a Fine-KNN model. The confusion matrices obtained in the performance evaluation of the training and test phases are shown respectively in Figure 10 and Figure 11.

The trained model was applied in a demo simulation of the realtime gait phases detection showing the acquired legs’ points, the fitted circumferences, the detected phase both as a description and as an image (Figure 12).

Conclusions

After a couple of months of work it was possible to obtain a model that can detect the gait phases automatically from the measures acquired by a lidar placed on the autonmous walker.

It was not possible to test the realtime behavior, but the code [6] was developed in a way such that it can be easily transferred in a C/C++ application for realtime gait analysis and gait phases detection. Also some ML models trained with the Classification Learner can be exported in C/C++.

This project showed the feasibility and the accuracy of the analysis of gait parameters of a healthy user from lidar data. This is a basis for more advanced work in the analysis of the gait of young girls with Rett syndrome that will help in the development of an effective support in the walk of such users.

References

Books:

[1] Stergiou, N. (2020). Biomechanics and Gait Analysis (1st ed.). Academic Press.

[2] ScD, P. J. M., & PhD Pt, B. J. (2010). Gait Analysis: Normal and Pathological Function (Second ed.). Slack Incorporated.

Papers:

[3] H. T. Duong and Y. S. Suh, “Human Gait Estimation Using Multiple 2D LiDARs,” in IEEE Access, vol. 9, pp. 56881-56892, 2021, doi: 10.1109/ACCESS.2021.3071147.

[4] S. Sakdarakse and P. Somboon, “Development of LIDAR Based Gait Training System with Gait Assessment,” 2020 17th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON), 2020, pp. 263-266, doi: 10.1109/ECTI-CON49241.2020.9158246.

Useful links:

[5] Slamtec A1M8 sdk: https://github.com/slamtec/rplidar_sdk

[6] Our GitHub repository: https://github.com/matsarto99/Gait_Analysis_RPA

[7] Slamtec RPLIDAR A1: https://www.slamtec.com/en/Lidar/A1

Continue reading →

Note Lezioni 16 Giugno 2022

Giovedì 3 Marzo – Introduzione

Link a video lezione

Note durante lezione (il materiale originario lo trovate nel materiale didattico)

Venerdì 4 Marzo – Compensazione Effetti di disturbo

Link a video lezione

Note durante la lezione

Giovedì 10 Marzo – Encoder ottico incrementale

Link a video lezione

Note durante lezione (materiale originario nel materiale didattico)

Venerdì 11 Marzo – introduzione a Matlab con PC personale

Portate PC con Matlab installato con voi, o collegatevi su zoom con matlab, in questo caso un monitor grande o un doppio monitor potrebbe essere utile.

Link a video lezione

Note durante la lezione(materiale originario nel materiale didattico)

 

Giovedì 17 Marzo – Lezione dalle 14:30 alle 16:30, stessa aula Prof Bosetti. 

Slide delle lezioni di statistica

Link a video lezioni

 

Venerdì 18 Marzo

Link a video lezioni

 

Giovedì 24 Marzo – Lezione dalle 14:30 alle 16:30 Prof Bosetti. 

MATLAB base

MATLAB statistica

Link a video lezioni

 

Venerdì 25 Marzo

Link a video lezioni

Giovedì 31 Marzo – Lezione dalle 11:30 alle 13:30, aula B109 Prof De Cecco

Link a video

Appunti lezione

Giovedì 31 Marzo – Lezione dalle 14:30 alle 16:30, aula B109 Prof Bosetti. 

Link a video

Venerdì 01 Aprile – aula B109 Prof Bosetti

Link a video lezione

Giovedì 07 Aprile – Trasformata di Fourier

Link a video lezione

Venerdì 08 Aprile

Portate PC con Matlab installato con voi, o collegatevi su zoom con matlab, in questo caso un monitor grande o un doppio monitor potrebbe essere utile.

Link a video lezione

Appunti lezione

Script Matlab Trasformata di Fourier

Script Matlab

Giovedì 21 Aprile – proprietà trasformata

Link a video lezione

Venerdì 22 Aprile – proprietà trasformata

Link a video lezione

Appunti lezione

Dispensa didattica annotata a lezione

Giovedì 28 Aprile – esercitazione filtraggio

Portate PC con Matlab installato con voi, o collegatevi su zoom con matlab, in questo caso un monitor grande o un doppio monitor potrebbe essere utile.

Link a video lezione

Occorre organizzare i turni di laboratorio, prego inscriversi al Link al modulo di iscrizione

Venerdì 29 Aprile – PT100

Link a video lezione

NUOVO MODULO!! Occorre organizzare i turni di laboratorio, prego inscriversi al Link al modulo di iscrizione. Compili il nuovo modulo anche chi ha già compilato quello vecchio.

Lunedì 2 Maggio – Esercitazione PT100 ore 14:30 a Povo 0

Link a post esercitazione

I gruppi sono definiti nel seguente post

Giovedì 5 Maggio – Taratura dinamica

Link a video lezione

Appunti lezione

Giovedì 5 Maggio – Esercitazione PT100 ore 14:30 a Povo

Link a post esercitazione

I gruppi sono definiti nel seguente post

Venerdì 6 Maggio – Misure di deformazione

Link a video lezione

Lunedì 9 Maggio – Esercitazione Machine Learning ore 14:30

L’esercitazione si terrà online allo stesso link delle lezioni

Al seguente link potete scaricare il materiale necessario per svolgere l’esercitazione

Qui trovate un post che descrive nel dettaglio l’esercitazione

I gruppi sono definiti nel seguente post

Giovedì 19 Maggio – Esercitazione PT100 ore 14:30 a Povo

Link a post esercitazione

I gruppi sono definiti nel seguente post

Giovedì 12 Maggio – Esercitazione Machine Learning ore 14:30

L’esercitazione si terrà online allo stesso link delle lezioni

Al seguente link potete scaricare il materiale necessario per svolgere l’esercitazione

Qui trovate un post che descrive nel dettaglio l’esercitazione

I gruppi sono definiti nel seguente post

Giovedì 12 Maggio – Parametri Concentrati

Link a video lezione

Venerdì 13 Maggio – Parametri Concentrati ed Accelerometro a Massa Sismica

Link a video lezione

Appunti Lezione

Giovedì 19 Maggio – Misure di Flusso e Portata

Link a video lezione

Appunti Lezione

Venerdì 20 Maggio – Solo da Remoto via zoom causa blocco strade concerto Vasco Rossi – iniziamo alle ore 11:00

Link a video lezione

Appunti Lezione

Giovedì 26 Maggio – Effetto di carico

Link a video lezione

Appunti Lezione

Venerdì 27 Maggio – Esercizi sulle impedenze generalizzate

Link a video lezione

Di seguito i temi d’esame risolti in classe con la soluzione.

Compito 28 luglio 2005

Compito 4 luglio 2007

Compito 23 giugno 2011

Giovedì 16 Giugno – Appello esame di giugno

Gli orali si terranno a partire dalle ore 14.00 presso l’aula A103.

Continue reading →

Hirokazu Kato visit @ MIRo Lab 17 Novembre 2021

The 17th of November 2021 our colleague ‘Hiro’ from the Nara Institute of Science and Technology – NAIST landed in Bologna at 12:00 where Alessandro and Isidro were waiting to bring him in Trento.

The visit originated both thanks to the collaboration in the AUSILIA project thanks to the ERASMUS + ICM

Next three weeks we will work together in team with Damiano, Alessandro, Isidro and Manuel Rosi (our current Master thesis student) to develop a new Augmented Reality application within the AUSILIA gym. It will comprise a holographic interface to be worn by the therapist that look at the patient while fulfill activities of everyday living. The therapist will wore a Hololens 2 AR gear with motion capture and interaction cues added on top of his vision.

Continue reading →

HOMEWORKS 28 Ottobre 2021

2021 Topic

The topic can be proposed by the students or one of the following:

  • Topic 1. Inertial Gait Analysis: detect the gait phase through an IMU sensor.
  • Topic 2. Laser rangefinder Gait Analysis: detect the gait phase through a Laser rangefinder sensor.
  • Topic 3. ToF Gait Analysis: detect the gait phase through a ToF camera.
  • Topic 4. Vehicle control simulator: simulate the Admittance Control of a differential vehicle (in collaboration with professor Andrea Del Prete) + Calibration and Validation of the Walker HMI (the instrumented belt) IF YOU ARE IN 4
  • Topic 5. Serious Games: development of an interactive story.
  • Topic 6. Wheelchair simulator: realize a virtual scenario to test eye-gaze interface.
  • Topic 7. integrated with topic4 in case you are in 4 or even in 3 (not so difficult task)

The topic shall correspond to a significative amount of work in order to learn practical skills. Please consider that part of the theory has been reduced to let the student focus on the homework.

Take a look at the following past Homeworks, the amount of work shall be comparable:

Groups

Take a look at the exam rules.

Consider that this year we could have limits in interacting among students and professor-students, so there will be a limited number of projects available, i.e. maximum 10/12.

In order to form the groups please compile this excel file and send to Laboratoriomisureroboticaunitn@gmail.com WITH email object: [HOMEWORK]

The groups shall be composed by 3 students (2 exceptionally), if you are less you can send the excel format and we will merge with other groups.

 

Doodle

Results: your preferences to do or not to do the Homework.

 

Continue reading →

Interactive Lesson on Mixed Reality with Unity 9 Dicembre 2021

Continue reading →