Enhancing comfort perception through preference-based optimization in upper limb exosuit control

This thesis investigates the enhancement of user comfort perception in wearable robotic systems through a preference-based optimization framework applied to the ROGER upper limb exosuit. The primary goal is to improve the usability and acceptance of exosuits by incorporating user preferences into the control parameter tuning process. The research focuses on optimizing medium-to-high-level control parameters using the GLISp (Global optimization based on active preference learning) algorithm, which iteratively refines control settings based on subjective feedback. A structured experimental protocol was designed to validate the optimization methodology. Participants performed a series of tasks while wearing the exosuit, comparing standard and optimized control configurations. Their responses were analyzed through qualitative questionnaires assessing comfort, naturalness, and effort, as well as objective kinematic data evaluating movement smoothness. The results indicate that preference-based tuning significantly enhances user comfort, reducing physical effort while maintaining stability and natural movement. Findings from this study demonstrate that integrating user-driven optimization approaches in wearable robotics can bridge the gap between research prototypes and practical applications. By prioritizing user comfort perception, this work contributes to advancing the design of exosuits for rehabilitation and daily assistance. Future research may explore real-time adaptive optimization and multimodal feedback integration to further refine user-centered robotic systems.

Questa tesi indaga il miglioramento della percezione del comfort negli esoscheletri indossabili attraverso un framework di ottimizzazione basata sulle preferenze, applicato all’esosuit per arto superiore ROGER. L'obiettivo principale è incrementare l'usabilità e l'accettazione di questi dispositivi incorporando le preferenze degli utenti nel processo di regolazione dei parametri di controllo. La ricerca si concentra sull'ottimizzazione dei parametri di controllo di medio-alto livello utilizzando l'algoritmo GLISp (Global optimization based on active preference learning), che perfeziona iterativamente le impostazioni di controllo in base ai feedback soggettivi. È stato sviluppato un protocollo sperimentale strutturato per validare la metodologia di ottimizzazione. I partecipanti hanno eseguito una serie di attività indossando l’esosuit, confrontando le configurazioni di controllo standard e ottimizzate. Le loro risposte sono state analizzate attraverso questionari qualitativi, valutando comfort, naturalezza e sforzo, e dati cinematici oggettivi per misurare la fluidità del movimento. I risultati indicano che la regolazione basata sulle preferenze migliora significativamente il comfort percepito, riducendo lo sforzo fisico e mantenendo stabilità e naturalezza nei movimenti. I risultati di questo studio dimostrano che l'integrazione di approcci di ottimizzazione guidati dall'utente nella robotica indossabile può colmare il divario tra prototipi di ricerca e applicazioni pratiche. Dando priorità alla percezione del comfort dell'utente, questo lavoro contribuisce all'avanzamento del design degli esosuit per la riabilitazione e l’assistenza quotidiana. Ricerche future potrebbero esplorare l’ottimizzazione adattativa in tempo reale e l’integrazione di feedback multimodale per perfezionare ulteriormente i sistemi robotici centrati sull’utente.