Proactive path planning for collaborative robots

Nowadays the collaborative robotics represents a field in considerable expansion not only at a research level, but also from an industrial point of view. Proof of this is the fact that it is the robotics area characterized by the largest percentage in the number of robot sold per year. So, this scenario pushes to study in a more detailed way the mutual influence between the human worker and the robot since in this context they share the work-space. While the influence of the robot motion on the operator, who works closely with it, has been deeply analysed from the performance but also from the mental and physic human health point of view, the influence of the worker on the trajectory, that the robot has to execute, seems to be poorly studied and analysed in very simplified cases. This thesis has the purpose to improve the adaptation of the robot to the human operator in a more complex context. The reference scenario consists in an assembly task where the interactions between the machine and the worker are very complex. The future of collaborative robotics will be strictly correlated to how the robot will adapt to the human. For this to be achievable, it is of fundamental importance to succeed in forecasting which operation the worker will do so that the robot can anticipate it and react in advance (proactive behaviour). For this reason, the thesis will first deal with how to model and predict the human motion for a task. This is done by means of an unusual model based on Gaussian Processes, that, as we will see, are a powerful tool and they are more appropriate than the traditional methods because they allow to learn an high-dimensional non linear model with an high expressivity and using a small amount of data. Moreover, the resulting model will have very good predictive capabilities. The human trajectories forecast will be crucial in order to estimate the volumes swept by the operator during a specific task (these are called swept volumes). A new method to generate the swept volume will be introduced. This is an approximated approach, but it returns very good results; besides it is very light from the computational point of view with respect to its predecessors. At the end, a completely new approach will be developed for robot proactive path planning. According to the latter, the manipulator, before starting its task, based on the prediction of the human swept volume, will modify its nominal path in a manner to avoid the most probable regions that the human will occupy. The proposed approach has been validated in a realistic human-robot collaboration scenario using the YuMi robot designed by ABB.

Oggi la robotica collaborativa rappresenta un settore in notevole espansione non solo a livello di ricerca, ma anche a livello industriale. Lo dimostra il fatto che è il campo della robotica con la maggior percentuale di crescita nel numero di robot venduti annualmente. Questo scenario spinge quindi a studiare in modo sempre più dettagliato le reciproche influenze tra uomo e robot in contesti per cui sia richiesta una condivisione degli spazi di lavoro. Mentre l’influenza del moto di un robot sull’operatore umano, che lavora in stretto contatto con esso, è stata ampliamente analizzata sia dal punto di vista delle prestazioni che da quello del benessere psicologico e fisico, l’influenza dell’uomo sulla traiettoria che deve eseguire il robot sembra essere stato studiato poco e in casistiche piuttosto semplici. Questa tesi si prefigge come scopo quello di migliorare l’adattamento del robot all’operatore umano in un contesto più complesso. Lo scenario di riferimento consiste in un compito di assemblaggio dove le interazioni sono molto articolate. Il futuro della robotica collaborativa sarà strettamente correlato a come il robot sarà influenzato dall’uomo e non viceversa. La chiave del successo sarà infatti quella di adattare il comportamento del robot all’uomo e non il contrario. Affinché ciò sia realizzabile, è di fondamentale importanza riuscire a prevedere quale azione l’operatore andrà a compiere in modo tale che il robot possa anticiparla (comportamento proattivo). Il moto di un operatore umano verrà modellato in questa tesi facendo uso dei Processi Gaussiani, che risultano essere più consoni dei tradizionali metodi di modellazione e stima in quanto, come verrà mostrato, consentono di apprendere un modello non lineare con un’elevata espressività e con l’utilizzo di pochi dati. Inoltre, il modello risultante avrà ottime capacità predittive. La predizione delle traiettorie che l'operatore potrebbe compiere sarà di fondamentale importanza per stimare i volumi occupati durante un determinato compito. Un nuovo metodo di generazione degli swept volume ("volumi spazzati") verrà introdotto. Questo approccio sarà approssimato, ma dagli ottimi risultati e molto leggero computazionalmente rispetto ai precedenti. Infine, verrà sviluppato un approccio proattivo per le traiettorie assegnate al robot per cui prima di partire ad eseguire un nuovo task, in base alla previsione dei "volumi spazzati" dall’uomo, modificherà il suo percorso nominale in modo da evitare le zone più probabili che l’uomo andrà ad occupare. L'approccio proposto è stato validato in uno scenario realistico di collaborazione uomo-robot, utilizzando il robot YuMi di ABB.