Handling liquids with robots: spill-aware trajectory planning under uncertainty

This thesis investigates the optimization of liquid transportation using robotic manipulators, aiming to ensure the execution of trajectories that not only prevent spillage but also optimize execution time. Liquid manipulation is a critical task in both domestic and industrial contexts, presenting numerous challenges due to the unpredictable nature of fluid dynamics under external forces. The study is structured into three main phases. In the first phase, a supervised learning model based on Support Vector Machines (SVM) was trained following a data collection process, where the dataset was processed to accurately capture the relationships between trajectories and the spillage phenomenon. The second phase involved the development of a collision-free motion planner designed to effectively manage the trade-off between execution speed and low spillage risk. This algorithm incorporates the epistemic uncertainty of the model by considering the probability that the SVM's prediction is correct. Finally, the proposed algorithm was evaluated against predefined performance metrics—namely, success rate and execution time—and compared with state-of-art baselines to assess its effectiveness. The results demonstrate that models incorporating a probability threshold outperform simpler approaches in balancing speed and stability when executing liquid manipulation tasks. The proposed methodology underscores the value of combining learning-based approaches with optimization strategies and uncertainty estimation techniques to enhance robotic performance in real-world liquid handling applications.

La presente tesi si propone di ottimizzare il trasporto di liquidi mediante manipolatori robotici, con l'obiettivo di garantire l'esecuzione di traiettorie che, da un lato, evitino il fenomeno dello spill e, dall'altro, individuino le traiettorie migliori dal punto di vista del tempo di esecuzione. La manipolazione di liquidi riveste un ruolo fondamentale sia in ambito domestico che industriale, ma pone numerose sfide a causa della natura difficilmente prevedibile della dinamica dei fluidi sottoposti a forze esterne. Il lavoro si articola in tre fasi principali. Nella prima fase, è stato addestrato un modello di apprendimento supervisionato basato su Support Vector Machine (SVM) a seguito di un processo di raccolta dati, durante il quale il dataset è stato opportunamente elaborato per esplicitare al meglio le relazioni tra le traiettorie eseguite e il verificarsi dello spill. La seconda fase ha riguardato la progettazione di un pianificatore di movimento senza collisioni in grado di gestire in modo ottimale il trade-off tra velocità di esecuzione e ridotto rischio di spill. Tale algoritmo è stato ideato per tenere conto dell'incertezza epistemica introdotta dal modello, integrando il fattore della probabilità che la predizione fornita dall'SVM fosse corretta. Infine, l'algoritmo proposto è stato sottoposto a una fase di testing per valutarne l'efficacia secondo metriche prestabilite (tasso di successo e tempo di esecuzione) e confrontato con le prestazioni di delle procedure utilizzate nello stato dell'arte. I risultati ottenuti evidenziano come i modelli che introducono una soglia di probabilità siano in grado di bilanciare al meglio il compromesso tra velocità e stabilità nell'esecuzione di task di manipolazione dei liquidi. La metodologia proposta sottolinea l'importanza di combinare approcci basati sull'apprendimento automatico con strategie di ottimizzazione e tecniche di stima dell'incertezza, al fine di migliorare le prestazioni dei robot in applicazioni reali di manipolazione dei fluidi.