Characterisation and modelling of position-force controlled robotic skills through teaching by demonstration and behaviour trees

In response to the recent shift from mass production to mass customisation, this work presents a system that simplifies the programming of robots for assembly Tasks, via a code-free Programming by Demonstration (PbD) approach. The system allows a user to teach a robot how to perform force-controlled assembly Tasks through a single Kinaesthetic demonstration. The Tasks, together with their parameters, are represented as Behaviour Tree (BT) structures, which are both highly modular and reactive, allowing the robot to adapt to changes in the environment. The Behaviour Trees encapsulate both the actions and the semantic understanding of the robot's surroundings. This is crucial to make robots more flexible and autonomous in decision-making. The system can recover from errors, through different Modes of execution stored in the Behaviour Trees. It can also generalise learned Tasks and address different situations through the use of a PDDL planner. This methodology has been validated through relevant experimental use cases and the results show that the system is capable of automating assembly, and quickly learning force-controlled Tasks.

In risposta al recente passaggio dalla produzione di massa alla personalizzazione di massa, questa tesi presenta un sistema che semplifica la programmazione di robot per operazioni di assemblaggio, tramite la Programmazione per Dimostrazione. Il sistema permette ad un utente di insegnare ad un robot come eseguire Task di assemblaggio controllati in forza attraverso una singola dimostrazione. I Task insieme ai loro parametri sono rappresentati come Behaviour Trees, che sono sia altamente modulari che reattivi, permettendo al robot di adattarsi a cambiamenti nel suo ambiente. I Behaviour Trees utilizzati racchiudono sia le azioni che la comprensione semantica dell'ambiente intorno al robot. Questo è fondamentale per rendere i robot più flessibili e autonomi nel prendere decisioni. Il sistema può reagire a situazioni inaspettate, attraverso diverse modalità per eseguire lo stesso compito, memorizzate nei Behaviour Trees. Può anche generalizzare i Task appresi e affrontare operazioni differenti da quelle dimostrate direttamente attraverso l'uso di un planner PDDL che può combinare le precedenti dimostrazioni. I risultati degli esperimenti mostrano che il sistema è in grado di automatizzare operazioni di assemblaggio e apprendere rapidamente Task controllati in forza.