Human dynamics estimation during physical human-robot interaction

Physical human-robot interaction has recently aroused growing interest among the scientific community: assistive technologies, collaborative industrial manipulators and rehabilitative robots are only a few examples of emerging applications. On the one hand, the researchers attempt to design the control of the robot in order to guarantee a safe interaction with the human. On the other hand, this control could be improved by adding human dynamics as a feedback to robot controllers. In this contest, estimation of human dynamic variables becomes mandatory and the importance of human sensing technologies goes without saying. The aim of our work is to propose a computational framework for the estimation of whole-body human dynamics by means of sensors fusion. Since it is possible to replace classic boundary conditions of the Newton-Euler equations with redundant and noisy measurements coming from whole-body sensors, we compute an estimation of inverse dynamics by means of Maximum-A-Posteriori estimator, proposing a Bayesian solution of the recursive Newton-Euler algorithm. Indeed, this algorithm works in a probabilistic domain, thus it allows to assess results accuracy in terms of variance of the estimation and to associate a variance to each sensor (and to the human biomechanical model) according to their reliability, thus weighing differently that sensors role in the computation. The sensing systems included in our framework are: a full-body wearable suit provided with inertial sensors, two force plates and a robot equipped with force/torque sensors. In order to test the proposed framework, an experimental investigation is conducted. Ten subjects are analysed, each of them performing two tasks alone and three tasks interacting with a robot. On the basis of the results, we firstly show that Maximum-A-Posteriori algorithm can deal with multiple sensors data and complex biomechanical model characterized by a high number of degrees of freedom. Once its estimation capability among different subjects is validated, we prove the robustness of Maximum-a-Posteriori algorithm with respect to modelling errors. These errors occur when an unsuitable model is employed in the computation, therefore, by assigning an high variance (and so a low reliability) to the model itself, the algorithm is able to compensate for them. Finally, we demonstrate that, by adding progressively more sensors data to the estimation procedure, it is possible to significantly decrease variances associated to dynamic variables estimated. In order to assess the statistical significance of the results, a statistical hypothesis test is also performed. We can state that the proposed framework allows to perform inverse dynamics in experiments analysing the physical human-robot interaction field. Its robustness with respect to modelling errors represents a unique feature in comparison with state-of-the-art methods for inverse dynamic computation discussed. We eventually demonstrate how the estimation accuracy can be improved by exploiting sensor fusion and measurements redundancy.

L'interazione uomo-robot è un'area di ricerca multidisciplinare che sta riscuotendo un crescente interesse nella comunità scientifica. Le possibili applicazioni spaziano dalle tecnologie assistive e riabilitative ai manipolatori industriali automatizzati, giusto per citare alcuni esempi. Da una parte, l'obiettivo dei ricercatori è progettare un controllore del robot che permetta un'interazione sicura con l'uomo. Dall'altra, il controllo stesso del robot potrebbe essere migliorato fornendo come feedback al suo sistema di controllo la dinamica dell'uomo. In questo ambito, è fondamentale stimare le variabili dinamiche umane e, di conseguenza, è indiscutibile l'importanza della sensoristica applicata allo studio dell'uomo. L'obiettivo del nostro progetto è proporre un sistema di calcolo per la stima della dinamica dell'intero corpo umano, sfruttando l'integrazione di più sensori. Dal momento che le classiche condizioni al contorno delle equazioni di Newton-Euler possono essere sostituite con le misure ridondanti e rumorose provenienti da sensori distribuiti su tutto il corpo, la dinamica inversa viene stimata tramite un algoritmo massimo a-posteriori, proponendo una soluzione Bayesiana per l'algoritmo ricorsivo di Netwon-Euler. Questo algoritmo lavora in un dominio probabilistico e quindi consente sia di valutare l'accuratezza dei risultati in termini di varianza associata alla stima, sia di attribuire ad ogni sensore (e al modello biomeccanico dell'uomo) una varianza in base alla sua affidabilità, pesando in questo modo il contributo dei diversi sensori nel calcolo. I sistemi di misura impiegati nella nostra analisi sono: una tuta indossabile dotata di sensori inerziali, due piattaforme di forza e un robot dotato di sensori di forza/coppia. Allo scopo di analizzare il sistema proposto, abbiamo condotto un'analisi sperimentale su dieci soggeti. Ognuno di essi ha svolto due attività individualmente e tre attività interagendo con il robot. Sulle base dei risultati, abbiamo per prima cosa provato che l'algoritmo massimo a-posteriori è in grado di gestire i dati provenienti da più sensori durante esperimenti nell'ambito dell'interazione fisica uomo-robot. Una volta validata la stima tra diversi soggetti, abbiamo dimostrato la robustezza dell'algoritmo massimo a-posteriori rispetto agli errori di modello. Tali errori si verificano in seguito all'impiego di modelli biomeccanici errati, quindi, assegnando un elevato valore di varianza (e di conseguenza una scarsa affidabilità) al modello stesso, l'algoritmo è in grado di compensarli. Infine, abbiamo provato che, aggiungendo progressivamente i dati di più sensori alla procedura di stima, è possibile ridurre in maniera significativa le varianze associate alle variabili dinamiche stimate. Al fine di provare la significatività statistica di questi risultati, è stato eseguito un test statistico di verifica di ipotesi. Possiamo affermare che il sistema di calcolo proposto permette di calcolare la dinamica inversa in esperimenti che indagano l'interazione fisica uomo-robot. La sua robustezza rispetto agli errori di modello rappresenta una proprietà unica che non viene contemplata dai metodi classici per la dinamica inversa introdotti. Abbiamo dimostrato inoltre come sia possibile migliorare in modo significativo l'accuratezza della stima sfruttando l'integrazione di più sensori e la ridondanza delle misure.