Active preference learning for velocity optimization of robotized sealing task

Industrial robots performing tasks as equivalent to the skilled operators in terms of task quality requires complex velocity planning along with a path reference. Evaluating the task quality by creating Robot performance functions is way too tedious than the user's comparative evaluation input between test task qualities. This thesis work is centred on the optimization of a sealing task, which requires advanced velocity planning to achieve the quality standard of the final products. The final Algorithm allows the Robot to reproduce the specified Path by generating a trajectory planner which executes the task with an optimized velocity reference defined for specific path features with the help of the user’s preference on quality. User’s comparative evaluation demands are met by the Active Preference Learning algorithm which optimizes the velocity for different path features. This algorithm takes in the task quality knowledge from the user preference between the test tasks performed with different velocities for a specific path feature (curves of various radii, sharp edges, and straight lines). Then, the algorithm provides an acceptable range of velocities along with an optimal velocity for each curvature. The problem optimized in the presented work is a sealing task performed by a Franka Emika Panda robot. The acceptable and optimal velocity is then tracked, considering the acceleration and deceleration limits, to reproduce the task with target quality. The presented work is aimed to create a control that executes the different path features with an optimized velocity each, by also taking into account the acceleration limits and physical constraints of the setup which also provides a smoothing effect on the reference.

I robot industriali che eseguono compiti equivalenti dal punto di vista qualitativo agli operatori esperti richiedono una complessa pianificazione della velocità di esecuzione e del riferimento di traiettoria. Valutare la qualità dell'attività creando funzioni di “performance” del robot non è molto produttivo rispetto alla valutazione comparativa in termini qualitativi dell’input degli utenti. Questo lavoro di tesi è incentrato sull'ottimizzazione di un'attività di sigillatura, che richiede una pianificazione avanzata della velocità per raggiungere lo standard di qualità dei prodotti finali. L'algoritmo finale consente al robot di riprodurre la traiettoria specificata generando un pianificatore di traiettoria che esegue l’operazione con un riferimento di velocità ottimizzato definito per caratteristiche del percorso specifiche con l'aiuto della scelta qualitativa dell'utente. Le richieste di valutazione comparativa dell'utente sono soddisfatte dall'algoritmo Active Preference Learning che ottimizza la velocità per diverse caratteristiche della traiettoria. Questo algoritmo ha come input la qualità dell'attività a partire dalla scelta dell'utente tra le attività di test eseguite con velocità diverse per una caratteristica del percorso specifica (curve di raggio diverso, spigoli vivi e linee rette). Quindi, l'algoritmo fornisce un intervallo accettabile di velocità insieme a una velocità ottimale per ciascuna curvatura. Nel lavoro di tesi, il problema ottimizzato è un'operazione di sigillatura eseguita da un robot Franka Emika Panda. Viene quindi tracciata la velocità accettabile e ottimale, considerando i limiti di accelerazione e decelerazione, per riprodurre l'attività con la qualità target. Il presente lavoro ha lo scopo di creare un controllo che esegua le diverse caratteristiche della traiettoria con una velocità ottimizzata, tenendo conto anche dei limiti di accelerazione e dei vincoli fisici del setup e provvedendo a fornire variazioni meno repentine sul riferimento.