Flexible and time optimal dynamical movement primitives : a trajectory generation method modified for industrial use

The most common strategy to generate a robot trajectory is to specify an initial and an ending point in the Cartesian space, some via points, which are coordinates the robot must pass through, and the speed and acceleration constraints and profiles. Dynamical Movement Primitives (DMPs) are an alternative approach of generating robot trajectories that have become very popular recently in the academic field. Basically, this new method allows for learning parameterized trajectories from human demonstration, which means that a simple lead-through motion permits to define complex trajectories easily. Furthermore, it is possible to adapt the trajectories with reinforcement learning to achieve complex tasks. However, trajectories generated by DMPs comes with two drawbacks from an industrial prospective. First, time optimality in path planning is lost. Second, the academic literature assumes a rigid model of the robot, meaning that the generated trajectories do not allow high speed performance because they do not consider the inherent manipulator flexibility. In this thesis, these two problems will be addressed in order to try and reduce the gap between the academic and the industrial field. At first the flexibility of the manipulator will be taken into account by modifying the current equations of the DMP, defining what will be called "Flexible Dynamical Movement Primitives", thus obtaining a high-performance motion control with the help of a feedforward torque. Then, after some more modifications of the DMPs equations, a black-box optimization method will be applied to learn the parameters that allow for time optimality along a specified path. The overall implementations will be thus implemented and validated on a real robot.

La strategia più comune per generare la traiettoria di un robot è quella di specificare un punto iniziale ed uno finale nello spazio Cartesiano, qualche via-point, ovvero punti per i quali il robot deve passare obbligatoriamente, e vincoli e profili di velocità e accelerazione del robot. Dynamical Movement Primitives (DMP) sono un approccio alternativo di generazione traiettorie per robot che, di recente, è diventato molto popolare nell'ambito accademico. In pratica, questo nuovo metodo permette di ottenere traiettorie parametrizzate a seguito di dimostrazioni da parte di un operatore: attraverso la modalità "lead-through" presente sui robot, è possibile definire facilmente traiettorie complesse semplicemente spostando il robot nel modo desiderato. Inoltre, è possibile adattare le traiettorie ottenute mediante algoritmi di "Reinforcement Learning", al fine di ottenere diverse proprietà. Tuttavia, le traiettorie generate tramite DMP presentano due svantaggi dal punto di vista industriale. Il primo è che non è possibile ottimizzare nel tempo un determinato percorso geometrico. Il secondo segue dal fatto che tutta la letteratura accademica si basa sull'assunzione di un modello rigido del robot, il che significa che le traiettorie generate dal metodo non permettono prestazioni elevate ad alte velocità, poiché il sistema non tiene conto della flessibilità nei robot. In questa tesi, queste due limitazioni verranno affrontate al fine di provare a ridurre il gap tra il mondo accademico e quello industriale. Come prima cosa, le equazioni del metodo DMP verranno modificate per tenere conto della flessibilità dei robot, definendo ciò che verrà chiamato "Flexible Dynamical Movement Primitives", ottenendo così un sistema di controllo del movimento a prestazioni elevate ad alte velocità. In seguito, dopo la modifica di un parametro delle equazioni del metodo DMP, un algoritmo di ottimizzazione a scatola nera verrà applicato per selezionare i valori del parametro modificato che permettono di ottenere l'ottimalità nel tempo per una determinato percorso geometrico. Le modifiche teorizzate verranno poi implementate e validate in un caso reale.