Differential game theory-based human-robot collaborative transportation with flexible robot intention using AprilTags

This thesis investigates physical Human-Robot Interaction (pHRI), in particular a human- robot collaborative transportation of large, lightweight object using a control architecture based on Differential Game Theory. The proposed methodology integrates cooperative and non-cooperative strategies to regulate the interaction between the human and the robot during transportation and subsequent assembly. The control framework is designed as an equivalent variable impedance controller, where role arbitration is determined by a weigthing parameter, called α, allowing the transition between robot-leading and human- leading conditions. To enhance flexibility and precision, an eye-in-hand vision system with AprilTags detection is implemented to assist in trajectory generation and object recogni- tion. The human’s intention is estimated through an iterative process based on the forces exerted on the panel and transmitted to the robot’s end-effector, refined using filtering techniques for noise reduction and bias removal. The system is validated through both simulations (only for testing the robot’s reference trajectory) and real-world experiments, demonstrating successful execution of the collaborative task under different leadership conditions with fixed values of α, corresponding to robot-leading (α = 0.001, non-coop mode), human-leading (α = 0.999, coop mode), and partial human-leading (α = 0.900, coop mode). Performance metrics, effort-related metrics, and task-related metrics high- light the benefits of combining human cognitive skills with robotic precision, reducing operator fatigue while maintaining task efficiency. Further research could explore adap- tive α modulation using AI-driven techniques or alternative communication modalities, such as voice commands, to enhance natural interaction.

Questa lavoro di tesi indaga l’interazione fisica uomo-robot (pHRI), in particolare nel trasporto collaborativo di oggetti grandi e leggeri, utilizzando un’architettura di controllo basata sulla teoria dei giochi differenziale. La metodologia proposta integra strategie cooperative e non-cooperative per regolare il pHRI durante il trasporto e la fase di assem- blaggio. Lo schema di controllo è basato su un controllore di impedenza variabile in cui il parametro α, consente la transizione tra leader/follower tra robot e uomo. Per aumentare la flessibilità e la precisione, è stato implementato un sistema di visione (eye-in-hand) con rilevazione di marcatori (AprilTags) per assistere nella generazione della traiettoria e nel riconoscimento degli oggetti. L’intenzione dell’uomo viene stimata attraverso un processo iterativo basato sulle forze esercitate sull’oggetto trasportato e trasmesse al robot. Inoltre, la stima della forza esercitata viene trattata mediante opportune tecniche di filtraggio per ridurre il rumore e tenere conto solamente della forza esterna esercitata dall’uomo. Il sis- tema è convalidato sia attraverso simulazioni che attraverso esperimenti reali, dimostrando l’esecuzione riuscita del compito collaborativo in diverse condizioni di leadership con valori fissi di α, corrispondenti a robot-leading (α = 0.001, modalità non coop), human-leading (α = 0.999, modalità coop) e parzialmente human-leading (α = 0.900, modalità coop). Le metriche di performance, le metriche relative allo sforzo e le metriche relative all’esecuzione del trasporto collaborativo evidenziano i vantaggi della combinazione delle abilità cogni- tive umane con la precisione robotica, riducendo l’affaticamento dell’operatore, mante- nendo al tempo stesso l’efficienza delle attività. Ricerche future potrebbero esplorare una modulazione adattiva di α utilizzando tecniche basate sull’IA o modalità di comunicazione alternative, come i comandi vocali, per migliorare l’interazione naturale