In the field of collaborative robotics, the production process is entrusted to the cooperation between man and machine. Therefore, it might be beneficial to design robots that can interface and smartly adapt to the human partner. For this purpose, in this thesis, the possibility of using information deriving from human physiological signals is investigated to improve the human-robot collaboration (HRC). Specifically, a novel robot control strategy has been designed, able to influence the pace of the HRC to simultaneously optimize human productivity and his/her stress state in real-time. This control strategy exploits some elements of the game theory to model and locally estimate the state of collaboration in terms of productivity and human stress level. Based on this current state estimate, the decisional part of the proposed control algorithm, entrusted to a learning automaton, suitably adjusts the production rhythm of the robot, thus influencing the dynamics of the collaboration. The novel robot control strategy was tested in a realistic collaborative assembly process. The results achieved through the statistical analysis indicate that the proposed robot control strategy is capable of improving the productivity of the human-robot team, while keeping at a low level the stress induced in the operator by the collaboration.

Nell’ambito della robotica collaborativa il processo produttivo è affidato alla cooperazione tra uomo e macchina. Può quindi risultare utile disporre di robot che siano in grado di interfacciarsi ed adattarsi al partner umano. A tale scopo, in questa tesi, viene esplorata la possibilità di usare da parte del robot informazioni derivanti da segnali fisiologici acquisiti sull’uomo per poter essere in grado di migliorare la collaborazione con quest’ultimo. Nello specifico, è stata realizzata un’innovativa strategia di controllo del robot in grado di influenzare il ritmo della collaborazione uomo-robot allo scopo di ottimizzare simultaneamente, ed in tempo reale, sia la produttività dell’uomo che il suo stato di stress. Tale strategia di controllo si avvale di elementi della teoria dei giochi per modellare e valutare localmente lo stato della collaborazione in termini di: produttività e stato di stress dell’uomo. Sulla base dello stato attuale, la parte decisionale del controllo del robot, affidata ad un’ automa di apprendimento, regola opportunamente il ritmo produttivo del robot influenzando così la dinamica della collaborazione. Quest’innovativa strategia di controllo del robot è stata testata su un processo collaborativo di assemblaggio realistico. I risultati ottenuti tramite l’analisi statistica indicano che la strategia di controllo del robot proposta è in grado di migliorare la produttività del team uomo-robot mantenendo, allo stesso tempo, un basso livello di stress indotto nell’operatore dalla collaborazione con il robot.

Real-time simultaneous optimization of human physiological stress and productivity in human-robot synchronization

Masotti, Gabriele
2019/2020

Abstract

In the field of collaborative robotics, the production process is entrusted to the cooperation between man and machine. Therefore, it might be beneficial to design robots that can interface and smartly adapt to the human partner. For this purpose, in this thesis, the possibility of using information deriving from human physiological signals is investigated to improve the human-robot collaboration (HRC). Specifically, a novel robot control strategy has been designed, able to influence the pace of the HRC to simultaneously optimize human productivity and his/her stress state in real-time. This control strategy exploits some elements of the game theory to model and locally estimate the state of collaboration in terms of productivity and human stress level. Based on this current state estimate, the decisional part of the proposed control algorithm, entrusted to a learning automaton, suitably adjusts the production rhythm of the robot, thus influencing the dynamics of the collaboration. The novel robot control strategy was tested in a realistic collaborative assembly process. The results achieved through the statistical analysis indicate that the proposed robot control strategy is capable of improving the productivity of the human-robot team, while keeping at a low level the stress induced in the operator by the collaboration.
MESSERI, COSTANZA
ZANCHETTIN, ANDREA MARIA
ING - Scuola di Ingegneria Industriale e dell'Informazione
28-apr-2021
2019/2020
Nell’ambito della robotica collaborativa il processo produttivo è affidato alla cooperazione tra uomo e macchina. Può quindi risultare utile disporre di robot che siano in grado di interfacciarsi ed adattarsi al partner umano. A tale scopo, in questa tesi, viene esplorata la possibilità di usare da parte del robot informazioni derivanti da segnali fisiologici acquisiti sull’uomo per poter essere in grado di migliorare la collaborazione con quest’ultimo. Nello specifico, è stata realizzata un’innovativa strategia di controllo del robot in grado di influenzare il ritmo della collaborazione uomo-robot allo scopo di ottimizzare simultaneamente, ed in tempo reale, sia la produttività dell’uomo che il suo stato di stress. Tale strategia di controllo si avvale di elementi della teoria dei giochi per modellare e valutare localmente lo stato della collaborazione in termini di: produttività e stato di stress dell’uomo. Sulla base dello stato attuale, la parte decisionale del controllo del robot, affidata ad un’ automa di apprendimento, regola opportunamente il ritmo produttivo del robot influenzando così la dinamica della collaborazione. Quest’innovativa strategia di controllo del robot è stata testata su un processo collaborativo di assemblaggio realistico. I risultati ottenuti tramite l’analisi statistica indicano che la strategia di controllo del robot proposta è in grado di migliorare la produttività del team uomo-robot mantenendo, allo stesso tempo, un basso livello di stress indotto nell’operatore dalla collaborazione con il robot.
File allegati
File Dimensione Formato  
2021_04_Masotti.pdf

Open Access dal 04/04/2022

Dimensione 8.54 MB
Formato Adobe PDF
8.54 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/174475