Hierarchical control for optimal human-robot collaboration

The focus of this thesis is related to the employment of redundant robots in the field of Human-Robot Collaboration (HRC), given their great potential in accomplishing complex and articulated tasks. The objective is to provide advancements in terms of Collaborative robots (Cobots) deployability in real-life environments, in which both HRC and autonomous interaction are fundamental. Indeed, one of the greatest limitations in terms of a wider spread of robots in practical applications is related to their limited adaptation to unstructured environments and to the numerous types of interactions through which it is possible to interface with humans. Similarly to a human, the robot should be autonomous in each task it is trying to accomplish, while at the same time it must consider its surrounding environment and adjust its behaviour accordingly. To achieve this, however, a strong lower-level control framework should guarantee high autonomy and robustness against external disturbances, together with the possibility of defining complex behaviours, to achieve articulated and multiple tasks simultaneously. To this purpose, we focus on the study of hierarchical optimal control techniques, that are essential for redundant robots to fully exploit their potential. These techniques allow to formulate multiple tasks and constraints, that are accomplished by the Cobot in a hierarchical manner, by assigning different priorities to each sub-task. Therefore, it is possible to account for a large number of objectives and limitations such as robot mechanics and external constraints via an optimization-based control structure. The goal is to improve the robot’s autonomy to unforeseen events and unstructured environments through the formulation of a Hierarchical Quadratic Programming (HQP) based controller for optimal HRC, capable of considering human interactions. In particular, we propose a solution to the robot's inverse kinematics problem via an Augmented HQP (AHQP) controller, that does not require the input Cartesian reference trajectory defined from motion planning, but solves instead both planning and control problems in real time. This provides both Cartesian and joint spaces optimal trajectories based on the constraints defined and is useful in most HRC applications since a predefined trajectory is (by definition) detrimental to robot autonomy. Furthermore, this provides the added benefits of an adaptive compliance behaviour during the interaction, which is added to the lower level joint impedance behaviour and allows to handle all the unplanned interactions with the human, that are random and unexpected, but must be accommodated accordingly (e.g., human intervention in the task, online repositioning of the robot by hand based on preference, disturbances during co-manipulation tasks). To further improve the interaction quality, we then provide greater emphasis to the human, by formulating and adding, for the first time, human ergonomics to the hierarchical stack of tasks at control level. In particular, we introduce the optimization of human ergonomics as an objective function that is employed in the hierarchical framework. Eventually, thanks to the controller's adaptive compliance, the trade-off between human ergonomics and preference is studied, by evaluating both physical and mental effects on the human during the performed task. Finally, this ergonomics-aware hierarchical framework is further extended by integrating the perception of human actions and intentions through vision techniques. The goal is to enable the robot to perceive the surrounding environment and the actions performed by the human, to provide a quicker and more prompt response and improve the collaboration. The results obtained through a series of experiments performed by multiple subjects on a 10 degrees of freedom mobile manipulator, show a reduction in terms of both mental and physical demands perceived by the human during the interaction and an improved efficiency in terms of the studied parameters.

Il focus di questa tesi è legato all'impiego di robot ridondanti nel campo della Human-Robot Collaboration (HRC), dato il loro grande potenziale nel portare a termine compiti complessi e articolati. L'obiettivo è di progredire in termini di dispiegabilità dei robot collaborativi (Cobot) in ambienti di vita reale, in cui sia l'HRC che l'interazione autonoma risultano fondamentali. Infatti, uno dei maggiori limiti in termini di una più ampia diffusione dei robot nelle applicazioni pratiche è legato al loro limitato adattamento ad ambienti non strutturati e alle numerose tipologie di interazioni attraverso le quali è possibile interfacciarsi con gli esseri umani. Analogamente ad un essere umano, il robot dovrebbe essere autonomo in ogni compito richiesto, considerando al tempo stesso l'ambiente circostante e adattando di conseguenza il proprio comportamento. Per raggiungere questo obiettivo, tuttavia, un efficace controllore di basso livello deve essere in grado di garantire elevata autonomia e robustezza rispetto a disturbi esterni, insieme alla possibilità di definire comportamenti complessi e capacità di multitasking. A tale scopo, ci si concentra sullo studio di tecniche di controllo gerarchico, essenziali affinché i robot ridondanti sfruttino appieno il loro potenziale. Queste tecniche, infatti, consentono di formulare molteplici comportamenti e obiettivi, che vengono svolti dal Cobot in modo gerarchico, assegnando priorità diverse a ciascun sotto-task. Pertanto, è possibile tenere conto di un gran numero di obiettivi e altrettanti vincoli, quali ad esempio la meccanica del robot e i vincoli esterni, tramite una struttura di controllo ottimo. L'obiettivo ultimo è quello di migliorare l'autonomia del robot rispetto a eventi imprevisti e ambienti non strutturati, attraverso la formulazione di un controllore basato sulle tecniche di Hierarchical Quadratic Programming (HQP) per una collaborazione uomo-robot ottimale, in grado di considerare le interazioni con l'uomo. In particolare, viene proposto il controllore Augmented HQP (AHQP) che risolve il problema di cinematica inversa del robot, e non richiede in input una traiettoria di riferimento nello spazio Cartesiano derivante da una fase antecedente di pianificazione del movimento, ma risolve invece sia i problemi di pianificazione che di controllo in tempo reale. Ciò astrae dalla necessità di traiettorie predefinite, consentendone la generazione online, in base ai vincoli imposti. Questo è utile nella maggior parte delle applicazioni di HRC poiché una traiettoria predefinita è (per definizione) deleteria per l'autonomia del robot. Inoltre, ciò fornisce i vantaggi aggiuntivi di un comportamento a rigidezza adattiva durante l'interazione sia nello spazio di lavoro che individualmente sui giunti del robot. Questo consente di tenere in considerazione tutte quelle interazioni non pianificate o accidentali con l'uomo (ad esempio, l'intervento umano nel task, il riposizionamento online del robot in base alle preferenze, i disturbi durante task di co-manipolazione, ecc.). Per migliorare poi la qualità dell'interazione, viene conferita maggiore enfasi all'essere umano, formulando e aggiungendo, per la prima volta, l'ergonomia umana all'interno della gerarchia di compiti da soddisfare. In particolare, l'ottimizzazione dell'ergonomia umana è inizialmente identificata e poi formulata come una funzione obiettivo, da aggiungere infine al controllore AHQP gerarchico proposto. In aggiunta, grazie alla compliance adattiva del controllore, viene studiato il compromesso tra ergonomia umana e preferenza, valutando gli effetti sia fisici che mentali sull'essere umano durante il compito svolto. Infine, il framework gerarchico basato sull'ergonomia viene ulteriormente esteso integrando la percezione delle azioni e delle intenzioni umane attraverso tecniche di visione. L'obiettivo è di consentire al robot di percepire l'ambiente circostante e le azioni compiute dall'essere umano, per fornire una risposta più rapida e tempestiva, migliorando la collaborazione. I risultati ottenuti attraverso una serie di esperimenti eseguiti da più soggetti su un manipolatore mobile a 10 gradi di libertà, mostrano una riduzione in termini di richieste mentali e soprattutto fisiche percepite dall'essere umano durante l'interazione e una migliore efficienza in termini dei parametri analizzati.