This work addresses the characterization of the force/torque pattern acting on the ABB GoFa robot arm, in the context of collaborative robotics and the hand guiding physical human robot interaction (pHRI). This task is required due to failures encountered in the gravity compensation state following the lead through function activation, caused by the excessive force exerted on the arm-side interface (ASI) button by the human operator. The adopted methodology is based on a peculiar recurrent neural network (RNN), namely the echo state network (ESN), to distinguish the contribution due to the robot structural weight, including the payload, from the human interaction, resulting from the pressure applied on the end effector. The black box approach is extensively detailed with equations, with a special regard to the Bayesian optimization algorithm, which leads to saving several computational resources during the tuning phase. Moreover, the network performance is validated over multiple setups adopted for the acquisition of data, with the purpose of testing in more realistic conditions. An hyperparameter analysis is finally proposed to further compare this method with its applications in the field of chaotic time series forecasting.

Questa tesi mira alla caratterizzazione delle forze e dei momenti che agiscono sul braccio robotico ABB GoFa, nel contesto di robotica collaborativa e di interazione fisica uomo-robot (pHRI) mediante hand guiding. Questo lavoro è giustificato da molteplici problemi riscontrati nello stato di gravity compensation a seguito dell'attivazione della funzione lead through, principalmente causati dalla forza eccessiva esercitata dall'operatore sul pulsante dell'interfaccia ASI. La metodologia proposta si basa su un tipo particolare di rete neurale ricorrente (RNN), chiamata echo state network (ESN), al fine di distinguere il contributo dovuto al peso strutturale del robot, considerando il carico trasportato, dall'interazione umana, risultante dalla pressione applicata sul polso della macchina. L'approccio black box è descritto dettagliatamente con equazioni, con particolare attenzione riguardo all'algoritmo di ottimizzazione bayesiana, che permette di risparmiare diverse risorse in fase di tuning. Inoltre, le prestazioni della rete sono validate su più configurazioni adottate per l'acquisizione dei dati, al fine di effettuare dei test in condizioni più realistiche. Infine, viene proposta un'analisi degli iperparametri per confrontare ulteriormente questo metodo con le sue applicazioni nel campo della previsione delle serie temporali caotiche.

Harmonic analysis of ABB GoFa lead through force components

Michelotti, Mario
2022/2023

Abstract

This work addresses the characterization of the force/torque pattern acting on the ABB GoFa robot arm, in the context of collaborative robotics and the hand guiding physical human robot interaction (pHRI). This task is required due to failures encountered in the gravity compensation state following the lead through function activation, caused by the excessive force exerted on the arm-side interface (ASI) button by the human operator. The adopted methodology is based on a peculiar recurrent neural network (RNN), namely the echo state network (ESN), to distinguish the contribution due to the robot structural weight, including the payload, from the human interaction, resulting from the pressure applied on the end effector. The black box approach is extensively detailed with equations, with a special regard to the Bayesian optimization algorithm, which leads to saving several computational resources during the tuning phase. Moreover, the network performance is validated over multiple setups adopted for the acquisition of data, with the purpose of testing in more realistic conditions. An hyperparameter analysis is finally proposed to further compare this method with its applications in the field of chaotic time series forecasting.
MARCONI, MATTIA
ING - Scuola di Ingegneria Industriale e dell'Informazione
9-apr-2024
2022/2023
Questa tesi mira alla caratterizzazione delle forze e dei momenti che agiscono sul braccio robotico ABB GoFa, nel contesto di robotica collaborativa e di interazione fisica uomo-robot (pHRI) mediante hand guiding. Questo lavoro è giustificato da molteplici problemi riscontrati nello stato di gravity compensation a seguito dell'attivazione della funzione lead through, principalmente causati dalla forza eccessiva esercitata dall'operatore sul pulsante dell'interfaccia ASI. La metodologia proposta si basa su un tipo particolare di rete neurale ricorrente (RNN), chiamata echo state network (ESN), al fine di distinguere il contributo dovuto al peso strutturale del robot, considerando il carico trasportato, dall'interazione umana, risultante dalla pressione applicata sul polso della macchina. L'approccio black box è descritto dettagliatamente con equazioni, con particolare attenzione riguardo all'algoritmo di ottimizzazione bayesiana, che permette di risparmiare diverse risorse in fase di tuning. Inoltre, le prestazioni della rete sono validate su più configurazioni adottate per l'acquisizione dei dati, al fine di effettuare dei test in condizioni più realistiche. Infine, viene proposta un'analisi degli iperparametri per confrontare ulteriormente questo metodo con le sue applicazioni nel campo della previsione delle serie temporali caotiche.
File allegati
File Dimensione Formato  
2024_04_Michelotti_summary_02.pdf

accessibile in internet solo dagli utenti autorizzati

Descrizione: Executive Summary
Dimensione 924.35 kB
Formato Adobe PDF
924.35 kB Adobe PDF   Visualizza/Apri
2024_04_Michelotti_thesis_01.pdf

accessibile in internet solo dagli utenti autorizzati

Descrizione: Master Thesis
Dimensione 17.13 MB
Formato Adobe PDF
17.13 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/218581