Sensor-based recovery strategies for planned robotic cable manipulations

This thesis focuses on the robotic manipulation of deformable linear objects (DLOs), such as cables, ropes, wires and tubes. The manipulation of the cable is executed by a dual-arm robot according to a path generated by an offline planner, already implemented in a previous work. The planner specifies the end-effector poses starting from the computed intermediate shapes that the cable has to reach during the manipulation, to achieve the desired final configuration. Moreover, a vision-based tracking algorithm is exploited, also implemented in a previous work, to detect the current shape of the cable. In this thesis the performances of the tracking algorithm are enhanced by reducing the portion of the image where the cable has to be detected, thanks to the implementation of an adaptive filter based on the information about cable position provided by the planner. The main purpose of this work is to integrate the mentioned planning and tracking strategy with sensor-based recovery strategies to ensure that the planned cable configurations are robustly reached. To this aim, an error classifier is developed, considering the shape error, the forces exerted on the robot grippers and obstacles position to classify the severity of the error. To achieve this, data acquired from a stereo depth camera and two wrist force torque sensors are used to estimate the cable shape and measure the applied force. This information will then be compared with the expected values obtained from the offline planner. The output of the classifier will be used to determine the recovery strategy to be executed. Concretely, if the error is considered not severe, meaning that it does not significantly impact the cable configuration and therefore can be neglected, the robot is controlled to continue the manipulation, according to the path computed by the offline planner. Otherwise, if the type of error is classified as severe, motion primitives are performed to recover the cable state in a rapid and efficient manner. Moreover, a third case is considered, which includes excessive and unexpected closeness to the obstacle that has to be overcome or an excessive shape error. This is addressed with a recovery strategy based on model predictive control (MPC) that allows to safely move the cable in the correct configuration. Experiments on a real robotic setup are performed to validate the proposed method, testing the effectiveness of the error classifier and the consequent recovery strategies for different scenarios.

Questa tesi si concentra sulla manipolazione robotica di oggetti lineari deformabili (DLO), come cavi, corde, fili e tubi. La manipolazione del cavo viene eseguita da un robot a doppio braccio seguendo un percorso generato da un pianificatore offline, già implementato in un lavoro precedente. Il pianificatore specifica le posizioni dell'end-effector partendo dalle configurazioni intermedie calcolate che il cavo deve raggiungere durante la manipolazione, per ottenere la configurazione finale desiderata. Viene inoltre sfruttato un algoritmo di tracking basato sulla visione, anch'esso implementato in un lavoro precedente, per rilevare la shape corrente del cavo. In questa tesi le prestazioni dell'algoritmo di tracking sono state migliorate riducendo la porzione di immagine dove il cavo deve essere cercato, grazie all'implementazione di un filtro adattivo basato sulle informazioni sulla posizione del cavo fornite dal pianificatore. Lo scopo principale di questo lavoro è integrare le strategie di pianificazine e tracking sopra citate con delle strategie di correzione basate sui sensori, per assicurare che le configurazioni pianificate del cavo siano raggiunte in modo robusto. A tale scopo, viene sviluppato un classificatore di errori, che consideri l'errore di shape, delle forze e delle posizioni degli ostacoli previsti per classificare la gravità dell'errore. Per ottenere ciò, sono usati i dati di una stereo depth camera e di due sensori di forza e coppia per stimare la shape del cavo e misurare le forze applicate sui gripper. Queste informazioni saranno poi confrontate con i dati ottenuti dal pianificatore offline. Il risultato del classificatore sarà utilizzato per determinare la strategia correttiva da eseguire. In concreto, se l'errore è considerato non grave, cioè non ha un impatto significativo sulla configurazione del cavo e quindi può essere trascurato, la manipolazione continua secondo il percorso calcolato dal pianificatore offline. Altrimenti, se il tipo di errore è classificato come grave, vengono eseguite primitive di movimento per correggere lo stato del cavo in modo rapido ed efficiente. Si considera anche un terzo caso, che comprende una vicinanza eccessiva e inaspettata all'ostacolo da superare o un errore di shape eccessivo. Questo caso viene affrontato con una strategia di recupero basata sul controllo predittivo del modello (MPC) che consente di spostare in sicurezza il cavo nella configurazione corretta. Per convalidare il metodo proposto sono stati eseguiti degli esperimenti su un setup robotico reale, testando l'efficacia del classificatore di errori e delle conseguenti strategie di recupero per diversi scenari.