Robust Bayesian goal reaching inference engine for intent prediction in human-robot collaboration

This thesis presents a robust approach for enhancing human-robot collaboration (HRC) through short-term human hand motion prediction. Addressing limitations of prior works, a prediction engine is developed to anticipate human intentions, specifically reaching goals in a shared workspace, by monitoring human motion via real-time body tracking. The methodology integrates model-based hand path generation within a Bayesian inference framework, incorporating hand and shoulder information to improve accuracy and reactivity of the proposed Bayesian recursive classifier. A comprehensive testing phase utilizing offline tracking data demonstrates the engine's superior performance compared to state of the art approaches in both nominal and challenging scenarios. Additionally, a collaborative assembly use case was designed to validate the applicability and effectiveness of the approach in a real-world human-robot collaboration setting, involving ABB's robot YuMi®. An experimental campaign carried out with a group of participants showcased increased efficiency and perceived fluency in human-robot interactions. This work contributes to the advancement of HRC by enabling robots to better predict and respond to uncertain human intentions, ultimately promoting a path towards safer and more intelligent collaborative robotics environments in industrial settings.

Questa tesi propone un approccio robusto per migliorare la collaborazione uomo-robot (HRC) attraverso la previsione a breve termine del movimento della mano umana. Partendo dalle limitazioni di lavori precedenti, viene sviluppato un modello di predizione capace di anticipare le intenzioni umane, in particolare il raggiungimento di oggetti all'interno di uno spazio di lavoro condiviso, monitorando il movimento dell'umano tramite un sistema di tracciamento del corpo in tempo reale. L'approccio integra un modello di generazione delle traiettorie della mano all'interno di un contesto di inferenza Bayesiana, incorporando informazioni sulla mano e sulla spalla per migliorare l'accuratezza e la reattività del classificatore Bayesiano ricorsivo proposto. Una fase di test effettuata utilizzando dati di tracciamento offline dimostra le ottime prestazioni del modello di predizione in scenari nominali e limite. Inoltre, un caso d'uso di assemblaggio collaborativo è stato progettato con lo scopo di convalidare l'applicabilità e l'efficacia dell'approccio in un caso reale di collaborazione uomo-robot, utilizzando il robot YuMi® di ABB. Una campagna sperimentale condotta con un gruppo di partecipanti ha mostrato un aumento dell'efficienza e della fluidità percepita nelle interazioni uomo-robot. Questo lavoro contribuisce allo sviluppo dell'HRC consentendo ai robot di prevedere e rispondere meglio alle intenzioni umane incerte, promuovendo in definitiva la strada verso ambienti di robotica collaborativa più sicuri e intelligenti nei contesti industriali.