Uncertainty-aware motion planning for a robotic manipulator in vineyard environments

This thesis work aims to develop a Motion Planning Framework that takes into account uncertainty in the robot's pose and configuration for an agricultural mobile manipulator focused on automatic table grape harvesting in Vineyard Environments. The proposed framework consists of two main components: environment reconstruction and motion planning. Firstly, the environment in the grape's surroundings is reconstructed using Next Best View, an algorithm that scans the environment iteratively and selects the most relevant view. The amount of information provided by a view is estimated using a novel definition of Information Gain, which considers the distance between the target and the camera view and the potential unknown volume that the camera can discover. The second component of the proposed framework is motion planning. It uses a modified version of ABIT* that tracks the expected uncertainty of the manipulator's pose throughout the path. The uncertainty is projected in task space as a hyper-ellipsoid defined from a Chi Squared distribution that contains the possible poses of the considered point with a given probability. The hyper-ellipsoid is then used as a safety margin in collision checking performed by the planner. This work extends the idea of uncertainty-aware motion planning for manipulators to realistic work scenarios, enabling the planner to deal with complex environments thanks to the innovative definition of the pose uncertainty in task space. These two components, in combination, allow the planner to adapt easily to a variety of situations, empowering the system with a high level of autonomy. In conclusion, the developed framework is tested in a simulation environment that resembles a real vineyard, demonstrating its effectiveness and potential for implementation in an autonomous table grape harvesting system in Vineyard Environments.

Questo lavoro di tesi mira a sviluppare un'infrastruttura per la pianificazione del movimento che tenga conto dell'incertezza nella posizione e configurazione del robot per un manipolatore mobile agricolo orientato alla raccolta automatica dell'uva da tavola in ambienti vitivinicoli. Il framework proposto consiste di due componenti principali: ricostruzione dell'ambiente e pianificazione del movimento. In primo luogo, l'ambiente intorno al grappolo viene ricostruito utilizzando Next Best View, un algoritmo che scansiona l'ambiente iterativamente e seleziona la vista più rilevante. La quantità di informazioni fornita da una vista viene stimata utilizzando una nuova definizione di Information Gain, che considera la distanza tra il bersaglio e la vista della telecamera e il potenziale volume sconosciuto che la telecamera può scoprire. La seconda componente del framework proposto è la pianificazione del movimento. Utilizza una versione modificata di ABIT* che considera l'incertezza stimata della posizione del manipolatore lungo il percorso. L'incertezza viene proiettata nello spazio di lavoro come un iper-ellissoide definito da una distribuzione Chi Quadro che contiene le possibili posizioni del punto considerato data una certa probabilità. L'iper-ellissoide viene quindi utilizzato come margine di sicurezza nel controllo delle collisioni eseguito dal pianificatore. Questo lavoro estende l'idea di pianificazione del movimento con stima dell'incertezza per i manipolatori a scenari di lavoro realistici, consentendo al pianificatore di gestire ambienti complessi grazie alla definizione innovativa dell'incertezza della posizione nello spazio di lavoro. Queste due componenti, in combinazione, consentono al pianificatore di adattarsi facilmente a una varietà di situazioni, dotando il sistema di un elevato livello di autonomia. In conclusione, il framework sviluppato è testato in un ambiente di simulazione che assomiglia a un vero vigneto, dimostrando la sua efficacia e il potenziale per l'implementazione in un sistema autonomo di raccolta dell'uva da tavola in vitigno.