Online stiffness estimation of human arm in physical human robot interaction using machine learning

As Human Robot Interaction (HRI) sees its advancements in medical and industrial use, shared control emerged as a new promising field of investigation. The class of impedance controllers plays a major role in enabling such continuous physical HRI. Variable impedance controllers have the potential to offer reliable accuracy, stability, and therefore safety during such kind of HRI. However, they depend on positional and force input by the user. To further unlock this potential, they can be provided with information on the dynamical parameters of the user’s arm. Human arm stiffness, being the dominant dynamical parameter, had been widely investigated. Consequently, experimental offline methods to estimate it had been developed. Research suggests that humans extensively use arm configuration to control the direction of the stiffness, and muscular cocontractions to control the magnitude. Surface electromyography (sEMG) signals have been widely used as a reliable measure of muscular activity and therefore they have been utilized in estimating cocontraction of muscles. In this work, an online method to estimate human arm stiffness based on human arm configuration and sEMG signals is proposed. To further develop the cocontraction estimates based on sEMG, Muscular Jacobian matrix is used. The algorithm used to compute this Jacobian in real-time is derived too. Due to the ability to model complex non-linearities, an Artificial Neural Network (ANN) model is developed. Data used to train such model is acquired using experimental offline method in the frequency domain. The proposed model performs well compared to linear model proposed in the literature. Also, its ability to interpolate between samples presented in the training process is verified. The ANN model opens further possibility to be used in non-user specific strategy. Thus, sharing the common knowledge conveyed by the experimentally acquired data of multiple users.

Man mano che l’Interazione Uomo-Robot (Human Robot Interaction - HRI) vede i suoi progressi nell'uso medico e industriale, il controllo condiviso è emerso come un nuovo e promettente campo di ricerca. La classe di controllori di impedenza svolge un ruolo importante nel consentire tale HRI fisica continuamente. I controllori a impedenza variabile hanno il potenziale per offrire accuratezza, stabilità e quindi sicurezza durante questo tipo di HRI. Tuttavia, dipendono dall'input di posizione e forza dell'utente. Per sbloccare ulteriormente questo potenziale, possono essere fornite informazioni sui parametri dinamici del braccio dell'utente. La rigidità del braccio umano, essendo il parametro dinamico dominante, era stata ampiamente investigata. Di conseguenza, sono stati sviluppati metodi sperimentali offline per stimarla. La ricerca suggerisce che gli esseri umani utilizzano ampiamente la configurazione del braccio per controllare la direzione della rigidità e le cocontrazioni muscolari per controllare la sua grandezza. I segnali di elettromiografia di superficie (sEMG) sono stati ampiamente utilizzati come misura affidabile dell'attività muscolare e quindi sono stati utilizzati nella stima della cocontrazione dei muscoli. In questo lavoro, viene proposto un metodo online per stimare la rigidità del braccio umano in base alla configurazione del braccio e ai segnali sEMG. Per sviluppare ulteriormente le stime di cocontrazione basate su sEMG, viene utilizzata la matrice Jacobiana Muscolare. Viene anche derivato l'algoritmo per calcolare questo Jacobiano in tempo reale. A causa della capacità di modellare le non-linearità complesse, viene sviluppato un modello di rete neurale artificiale (ANN). I dati utilizzati per addestrare tale modello vengono acquisiti utilizzando un metodo sperimentale offline nel dominio della frequenza. Il modello proposto si comporta bene rispetto al modello lineare proposto in letteratura. Inoltre, viene verificata la sua capacità di interpolare tra i campioni presentati nel processo di addestramento. Il modello ANN apre ulteriori possibilità di essere utilizzato in strategie non specifiche a un utente. Quindi, condividendo la conoscenza comune trasmessa dai dati acquisiti sperimentalmente di più utenti.