Real-time evaluation of the human body's inertia tensor by using a stereo-depth camera and a deep-learning-based algorithm

Researches on the dynamic contribution of the human body during motion have garnered significant interest over the years due to their applicability in various fields. Having a real-time method for estimating the inertia tensor of the human body enables the calculation of mutually exchanged forces during human-robot interactions, it promotes the development of dynamic simulators that consider the inertial contribution from body movement and allows for the analysis of body dynamics to create personalized rehabilitation exercises. The aim of this thesis is to develop a discretized model of the human body using a depth camera and a deep-learning-based algorithm to real-time estimate the individual's pose and, consequently, his inertial properties. The goal is to create a robust and versatile model capable of adapting to individuals with different physical characteristics and providing freedom of movement. The questions addressed in this research are: Is it possible to obtain, through a discretization of the human body, close-to-reality inertial values? To what extent is it acceptable to simplify the model construction to achieve optimal real-time conditions? To answer these questions, after defining the mathematical steps necessary for estimating the position of the center of mass and the inertia tensor during movement, various artificial intelligence algorithms are employed to more or less completely identify body poses. By comparing numerical results obtained through different algorithms and considering literature reference values, it is concluded that the developed method effectively estimates the inertial contribution associated with each human body pose. Furthermore, a more approximate discretization has limited influence on the results, allowing for the adoption of algorithms that reduce computational times and, consequently, increase the update frequency of the estimation.

Ricerche in merito al contributo dinamico dato dal corpo umano durante il movimento hanno destato particolare interesse nel corso degli anni in quanto usufruibili in vari campi applicativi. Avere a disposizione un metodo per la stima del tensore di inerzia del corpo umano in real-time consente di calcolare le forze mutualmente scambiate durante un interazione tra persona e robot, di sviluppare simulatori dinamici che tengano in considerazione il contributo inerziale dato dal movimento del corpo e di effettuare un'analisi della dinamica del corpo con il fine di creare esercizi personalizzati a scopo riabilitativo. L'obbiettivo di questa tesi è quello di sviluppare un modello discretizzato del corpo umano mediante l'utilizzo di una camera di profondità e di un algoritmo di intelligenza artificiale che consenta di stimare in real-time la posa dell'individuo e, conseguentemente, le sue proprietà inerziali. Si mira a sviluppare un modello robusto e versatile, in grado di adattarsi a persone con differenti caratteristiche fisiche e consentire libertà di movimento. Le domande alle quali si cerca risposta sono: è possibile, mediante una discretizzazione del corpo, ottenere valori inerziali prossimi alla realtà? Fino a che punto è accettabile semplificare la costruzione del modello con lo scopo di approssimare al meglio la condizione di real-time? Per rispondervi, dopo aver definito i passaggi matematici necessari alla stima della posizione del centro di massa e del tensore di inerzia durante il movimento, sono stati adottati vari algoritmi di intelligenza artificiale che consentono di individuare in maniera più o meno completa la posa del corpo. Mettendo a confronto i risultati numerici ottenuti applicando i vari algoritmi e considerando anche valori di riferimento in letteratura, si è potuti arrivare alla conclusione che il metodo sviluppato permette effettivamente di stimare il contributo inerziale associato a ciascuna posa del corpo umano. Inoltre, una discretizzazione più approssimativa ha una limitata influenza sui risultati, consentendo l'adozione di algoritmi che permettono di ridurre i tempi di calcolo e, conseguentemente, aumentare la frequenza di aggiornamento della stima.