L’evoluzione dei sistemi autonomi non nasce dal nulla. È il risultato di un lungo cammino che parte dai fondamenti della teoria del controllo e arriva oggi a combinare intelligenza artificiale, sensoristica avanzata e capacità decisionali autonome. Ripercorrere questo cammino significa osservare come principi matematici e modelli di stima sviluppati in ambito aerospaziale si siano trasformati nei pilastri dell’attuale rivoluzione dei droni intelligenti e dei sistemi autonomi multi-sensore.
1. Le Radici: Stima di Stato e Controllo di Assetto Satellitare (1992)
Nel 1992 la mia tesi di laurea, “Osservatore di Luenberger per SNLC applicato al problema dell’assetto di un Satellite Artificiale”, affrontava uno dei temi cardine dell’ingegneria dei sistemi dinamici: stimare lo stato interno di un sistema quando non tutte le grandezze sono direttamente misurabili.
L’obiettivo era applicare l’Osservatore di Luenberger, strumento fondamentale della teoria del controllo, al problema del mantenimento dell’orientamento di un satellite artificiale.
Il modello adottato era espresso nella forma ingresso–stato–uscita (state-space), con rappresentazione dell’assetto tramite quaternioni, oggi ancora alla base dei moderni sistemi di navigazione inerziale.
L’uso dei quaternioni eliminava le singolarità tipiche degli angoli di Eulero e consentiva una rappresentazione stabile e continua dell’orientamento nello spazio tridimensionale — un risultato che, a distanza di trent’anni, rimane alla base dei moderni sistemi di controllo e simulazione per veicoli autonomi.
2. Dal Controllo Deterministico all’Intelligenza Artificiale: il Ponte del Dottorato
L’esperienza di ricerca proseguì con la realizzazione VLSI analogico-digitale di reti neurali artificiali, durante il dottorato di ricerca.
Si trattava allora di un tema pionieristico: integrare nel silicio la capacità di apprendimento e adattamento di un sistema neurale. Quella ricerca, nata negli anni ’90, anticipava l’attuale paradigma dell’Edge AI e del controllo adattativo intelligente.
Oggi, ciò che allora era sperimentale è divenuto realtà industriale.
Le moderne architetture di controllo per UAV, UGV e UUV utilizzano reti neurali leggere integrate nei microcontrollori di bordo per l’identificazione e la compensazione dinamica in tempo reale.
Gli osservatori lineari, come quello di Luenberger, convivono e si fondono con modelli di apprendimento automatico, dando vita a sistemi di intelligenza distribuita capaci di percepire, apprendere e decidere autonomamente.
3. Dalla Ricerca alla Rete: la nascita di DRONE NETWORKS (2015)
Questo percorso ha trovato una sintesi naturale nella creazione, nel 2015, di DRONE NETWORKS, rete di imprese e professionisti dedicata allo sviluppo di sistemi autonomi intelligenti.
L’obiettivo: superare la logica del “costruire droni” per concentrarsi sull’integrazione sistemica — fusione tra AI, sensoristica avanzata, comunicazioni resilienti e controllo cooperativo.
Nel periodo 2015–2019 il progetto ha sviluppato know-how su:
- propulsione innovativa aerodinamica e idropneumatica,
- algoritmi embedded per la stima di stato e la navigazione autonoma,
- telemetria e controllo distribuito su reti resilienti,
- prototipi concettuali di swarm intelligence e architetture cognitive modulari.
Dopo la sospensione dovuta alla pandemia, DRONE NETWORKS è oggi in fase di riattivazione, con l’obiettivo di costituire una rete aperta e collaborativa di imprese, enti di ricerca e startup orientate alla Deep Tech e alla transizione 5.0.
4. La Sfida Attuale: Navigazione Autonoma in Ambienti GNSS-Denied
Il legame tra la tesi del 1992 e la tecnologia attuale emerge con forza nelle applicazioni più difficili: la navigazione autonoma in assenza di GPS.
In ambienti come grotte, magazzini, tunnel o zone ATEX, la localizzazione non può affidarsi a riferimenti globali. Serve una percezione autonoma dell’ambiente.
Qui entrano in gioco:
- LiDAR (Light Detection and Ranging), che produce mappe tridimensionali ad alta risoluzione;
- IMU (Inertial Measurement Unit) e camere stereoscopiche, che forniscono misure complementari di movimento e assetto;
- SLAM (Simultaneous Localization and Mapping), che fonde i dati dei sensori per stimare posizione e mappa in tempo reale, spesso attraverso filtri di Kalman estesi o approcci di ottimizzazione non lineare.
Questi strumenti, insieme all’intelligenza di bordo, consentono ai droni di muoversi e decidere in autonomia anche dove nessun segnale satellitare può raggiungerli — una frontiera tecnologica che rappresenta la naturale evoluzione dei principi di controllo e stima sviluppati decenni fa per l’aerospazio.
5. Conclusione: continuità e futuro dell’ingegneria dei sistemi autonomi
Dal satellite del 1992 al drone del 2025, la traiettoria è chiara: gli stessi principi di osservazione, controllo e adattamento continuano a guidare l’innovazione.
Il futuro dei sistemi autonomi passa per la fusione tra intelligenza artificiale, big data e sensoristica avanzata, con un occhio alla sostenibilità, alla sicurezza e alla collaborazione tra intelligenze — umane e artificiali.
La rete DRONE NETWORKS si propone di essere catalizzatore di questa nuova fase, con una visione che integra competenze multidisciplinari e condivide know-how, opportunità di ricerca e sviluppo industriale.