Adaptive and less conservative generation of human swept volumes for safe cooperation with robots

Nowadays collaboration between human operators and robots is a growing field. To ensure the safety of the worker, while preserving robot’s productivity, several control strategies have been developed. One effective approach is based upon the construction of the "swept volumes", that are the volumes containing human predicted motion for next instants of time. To obtain this prediction, the operator is tracked with depth sensors and then measurements are exploited by a Linear Kalman Filter, that estimates human speed, acceleration and jerk. In past works, swept volumes were generated in a conservative way, because the algorithm, that computes the reachable set of the human operator, utilized only the velocity estimate, while it assumed that acceleration was always set to its maximum or minimum value, to strengthen the safety constraint. The goal of this thesis is to improve the computation of swept volumes, with the aim of obtaining reduced volumes and consequently enhancing robot’s productivity. To achieve this result, first, bounded accelerations have been replaced with estimated ones, then, bounded jerk has been introduced in the algorithm. Another result, achieved by this thesis, was the realization of a better estimate: an Adaptive Kalman Filter has been implemented; the peculiarity of this new filter is that it adapts the process noise covariance matrix. To validate the new algorithm and the Adaptive Kalman filter, first computer simulations have been done and then some experiments, simulating real Human- Robot Collaboration (HRC) scenarios, using ABB YuMi robot, have been performed.

Oggi il campo della collaborazione tra operatori umani e robot è in forte crescita. Per garantire la sicurezza del lavoratore, pur preservando il rendimento del robot, sono state sviluppate diverse strategie di controllo. Uno di queste si basa sulla costruzione degli "swept volumes", cioè i volumi che contengono la predizione del moto dell’umano per i prossimi istanti di tempo. Per ottenere questa previsione, l’operatore viene monitorato con sensori di profondità e le misure ottenute vengono inviate a un filtro lineare di Kalman, che stima la velocità, l’accelerazione e il jerk dell’operatore. Negli studi precedenti, gli "swept volumes" erano generati in modo conservativo, poiché l’algoritmo, che calcola l’insieme di punti raggiungibili per l’uomo, utilizzava solo la stima della velocità, mentre veniva ipotizzato che l’accelerazione fosse sempre impostata al valore massimo o minimo, per rafforzare il vincolo di sicurezza. L’obiettivo di questa tesi è quello di migliorare l’algoritmo che calcola gli "swept volumes", per ottenere volumi ridotti, aumentando così la produttività del robot. Per ottenere questo risultato, innanzitutto, la stima dell’accelerazione è stata introdotta nell’algoritmo che calcola l’insieme raggiungibile, rimuovendo così l’ipotesi di movimento umano sempre ad accelerazione massima o minima. Poi il jerk, impostato al suo valore massimo o minimo, è stato aggiunto all’algoritmo. Un altro aspetto su cui la tesi fornisce un contributo è il miglioramento della stima. È stato infatti implementato un filtro di Kalman adattivo: la peculiarità di questo nuovo filtro è quella di adattare la matrice di covarianza del rumore sul processo. Per validare il nuovo algoritmo e il filtro adattivo, dapprima sono state eseguite simulazioni al computer e quindi sono stati condotti esperimenti di collaborazione uomo-robot, utilizzando il robot ABB YuMi.