ING - Scuola di Ingegneria Industriale e dell'Informazione
19-dic-2023
2022/2023
La soft robotics si colloca all’intersezione di varie discipline, tra cui la scienza dei materiali,
la biologia, la meccanica dei continui e la robotica. I soft robots sono interessanti per una
vasta gamma di compiti grazie ai loro vantaggi intrinseci in termini di sicurezza, flessibilità
e adattabilità. Tuttavia, la loro modellazione accurata e il loro controllo rimangono sfide
significative. I controllori model-based, dipendendo da modelli fisici, incontrano difficoltà
nella loro descrizione matematica e conseguente computazione. Una possibile soluzione al
modello analitico risiede nello sviluppo di controllori puramente basati sui dati. Questi,
tuttavia, mostrano difficoltà nel gestire cambiamenti nella dinamica del robot e si basano
su fasi di retraining offline lunghe e complesse dopo ogni variazione dinamica.
In questo contesto, la tesi propone uno schema di controllo che implementa una strategia di
apprendimento online, incentrata sul framework Feedback Error Learning, che consiste in
una combinazione di controllori basati sia sul modello del robot sia sui dati. L’architettura
è composta da (i) un controllore in feedback costruito su un modello geometrico del robot
e da (ii) un controllore data-driven che genera un segnale di feedforward. Il controllore
in feedback ha due ruoli: corregge l’azione del controllore in feedforward quando l’errore
rispetto al riferimento aumenta e genera un segnale di apprendimento per addestrare il
controllore basato sui dati. Ciò consente l’adattamento online del segnale di feedforward
rispetto ai cambiamenti nella dinamica del sistema.
L’approccio proposto è stato validato su un soft robot, progettato per garantire movimenti
multidirezionali e fabbricato tramite additive manufacturing. Il robot è azionato da aria
compressa grazie a valvole pneumatiche e con misurazioni di posizione fornite da un sis-
tema di motion capture con telecamere. I risultati sperimentali mostrano che il metodo
proposto fornisce prestazioni migliori rispetto a un controllore PID quando applicato a
un compito di tracciamento di traiettorie. Inoltre, il controllore si dimostra in grado di
adattarsi online a improvvisi cambiamenti nella dinamica del soft robot, rappresentati
negli esperimenti da un carico variabile, superando dunque il bisogno di retraining offline.
Soft robotics sits at the intersection of various disciplines, including material science,
biology, continuum mechanics, and robotics. Soft robots are appealing in a wide vari-
ety of tasks thanks to their inherent advantages in safety, compliance, and adaptability.
However, accurate modelling and control of soft robots are still significantly challenging.
Model-based controllers, relying on physical models, face difficulties in their mathemati-
cal description and subsequent computation. A possible solution to the modelling need,
lies in the development of pure data-driven controllers. However, they struggle in dealing
with changes in the robot dynamics and thus they are based on long and complex offline
retraining phases, after every dynamic variation.
In this context, this thesis proposes a control scheme implementing an online learning
strategy, based on the Feedback Error Learning framework which consists of coupling a
model-based with a data-driven controller. The architecture is composed of (i) a feedback
controller based on a geometric model of the robot and (ii) a data-driven controller gener-
ating a feedforward signal. The feedback controller has two roles. Firstly, it corrects the
action of the feedforward controller when the tracking error increases. Secondly, it gen-
erates a learning signal to train the data-driven controller, allowing for online adaptation
of the feedforward signal with respect to changes in the dynamics of the system.
The proposed approach has been validated on a real soft robot, designed to achieve omni-
directional movement and fabricated using additive manufacturing. The robot is actuated
by compressed air thanks to industrial pneumatic valves and with position measurements
given by a camera motion capture system. Experimental results show that the proposed
method provides better performance compared to a PID controller when applied to a
trajectory following task. Furthermore, the controller is shown to be capable of online
adaptation to sudden changes in the dynamics of the soft robot due to a variable payload,
overcoming the offline retraining need.