Development and validation of a velocity-augmented Artificial Intelligence interaction controller for ambiguous models

As robotic tasks are increasing in popularity in our world, interaction control is becoming vital. The manipulators often require environment interaction to solve practical tasks: aiming to insure safety, their behavior must be compliant and force tracking must be guaranteed. Standard approaches make use of interaction controllers, however setting them up and tuning their parameters is tedious, needing an extensive amount of time as they require expert knowledge of the environment, which in the real world is almost never the case, and it becomes problematic if any parameter of the environment needs to be changed. This thesis proposes a novel control strategy which makes use of Neural Networks (NN) to handle the forces generated on contact, aiming to ameliorate the force tracking behavior of a Direct Force Controller (DFC). Additionally, this strategy, built on previous literature, takes into consideration the effect of the tangential movement and velocity of the manipulator, which the aforementioned literature fails to account for. Augmenting the strategy with the tangential velocity of the manipulator is crucial, as they highly effect the exerted forces on the environment, especially at fast motions. This control strategy implements an ensemble of feed-forward NN to predict the contact forces acting as a model approximator that solves an optimization problem outputting an optimal residual action that is added to the action of the DFC, achieving an updated control action that then acts as an input to an impedance controller. The control algorithm dubbed "Velocity-augmented Artificial intelligence Interaction Controller for Ambiguous Models", or VAICAM, is tested in a Gazebo simulated environment and in real-world on a Franka Emika Panda robot. In the simulated case, the force-tracking accuracy increases after implementing the control strategy compared to using a base controller, while that is not the case in real-world, although the model approximator used does perform better than the one that ignores the tangential velocity. This mismatch is attributed to two main factors: the misuse of the algorithm's prediction horizon since a single step prediction horizon is considered instead of a longer width horizon, and to the rather degenerate base of the control algorithm being a DFC instead of a more sophisticated scheme.

Man mano che i compiti robotici diventano più popolari, il controllo dell'interazione diventa vitale. I manipolatori necessitano di interagire con l'ambiente e, per garantire la sicurezza, il tracciamento della forza deve essere ottimale e il loro comportamento cedevole. La letteratura esistente utilizza controllori di interazione; tuttavia, essi risultano tediosi poiché richiedono molto tempo per essere configurati, in quanto necessitano di una conoscenza esperta dell'ambiente, assunzione che quasi mai è verificata, diventando problematica se qualche parametro deve essere modificato. Questa tesi propone una nuova strategia di controllo che utilizza reti neurali (NN) per gestire le forze generate dal contatto, mirando a migliorare il tracciamento della forza di un controllore diretto di forza (DFC). Inoltre, questa strategia, basata sulla letteratura precedente, considera l'effetto della velocità tangenziale del manipolatore, cosa che la letteratura citata non prende in considerazione. L'implementazione di questa strategia con la velocità tangenziale è cruciale, poiché influiscono notevolmente sulle forze esercitate sull'ambiente, specialmente per rapidi movimento del robot. Sfruttando un insieme di NN feed-forward per prevedere le forze di contatto comportarsi come un approssimatore del modello di interazione robot-ambiente che viene usato per risolvere un problema di ottimizzazione. Come risultato, il controllore fornisce un'azione residua ottimale, correggendo l'uscita di un DFC, ottenendo un'azione di controllo corretta la quale infine agisce come input per il controllore di impedenza. L'algoritmo di controllo "Velocity-augmented Artificial intelligence Interaction Controller for Ambiguous Models", o VAICAM, viene testato in simulazione su Gazebo e nel mondo reale sul Franka Emika Panda. Nel caso simulato, le performance di tracciamento di una forza desiderata migliorano con l'implementazione della strategia di controllo, mentre questo non avviene nel mondo reale, sebbene l'approssimatore del modello utilizzato performi meglio di quello che ignora la velocità. Questa discrepanza è attribuita a due fattori principali: l'uso improprio dell'orizzonte di previsione dell'algoritmo, poiché viene considerato un orizzonte di previsione a singolo passo invece di uno più lungo, e l'utilizzo di un controllore di basso livello non propriamente adeguato, che è un DFC invece di uno schema più sofisticato.