Path planning based on learning by demonstration for robotic wire manipulation in cluttered environments

The manipulation of Deformable Linear Objects (DLOs), such as cables, wires, and ropes, is one of the fundamental tasks which can be found in various industrial applications, from the automotive field to the aerospace one. The operations involving DLOs are mostly performed manually as their complex, nonlinear dynamics makes robotic handling particularly difficult. Although model-dependent strategies are available, they are significantly limited in speed of computation and extendability. This thesis explores the possibility to create a model-free, DLO-oriented, offline path planner for assembly scenarios. By means of the Learning by Demonstration paradigm, it is possible to teach a robotic arm how to manipulate DLOs without any need of white-box modeling. A comprehensive DLO-oriented dataset is collected and used to train three regression models for path planning: Multi Layer Perceptron, Convolutional Neural Network (two neural network-based approaches) and Random Forest Regressor (an ensemble model). In order to evaluate and compare the performance of these strategies, experimental tests are conducted on real hardware with the goal of correctly placing an electrical wire inside a cabinet-like setup. The results have shown that the two neural network solutions are capable of understanding the main features of the required motions, but lack the ability to catch subtle movements that are essential for achieving the task in not-trivial scenarios. On the other hand, the ensemble model provides better results in terms of task achievement, specifically regarding cable positioning, accurate insertion, and cable stretching avoidance, making it a reliable solution. The main disadvantage of the developed path planner is that it is limited to open-loop offline generation, with no possibility to correct the path in real time. However, results provide a good basis for the development of fully closed-loop robust strategies.

La manipolazione di Oggetti Lineari Deformabili (DLO), come cavi, fili e corde, rappresenta uno dei compiti fondamentali che si possono riscontrare in diverse applicazioni industriali, dal settore automobilistico a quello aerospaziale. Le operazioni che coinvolgono i DLO sono per lo più eseguite manualmente, dato che la loro dinamica complessa e non lineare rende la manipolazione robotica particolarmente complessa. Nonostante esistano strategie basate su modelli, queste risultano limitate in termini di velocità di computazione ed estendibilità. Questa tesi esplora la possibilità di creare un pianificatore offline e model-free orientato ai DLO per scenari di assemblaggio. Tramite il paradigma dell’Apprendimento per Dimostrazione (Learning by Demonstration), è possibile insegnare ad un braccio robotico come manipolare DLO senza la necessità di una modellazione white-box. Un dataset specifico per DLO è stato raccolto ed utilizzato per addestrare tre modelli di regressione per path-planning: Multi Layer Perceptron, Convolutional Neural Network (due approcci basati su reti neurali) ed un Random Forest Regressor (un modello d'insieme). Per valutare e confrontare le prestazioni di queste strategie, sono stati condotti test sperimentali su hardware reale, con l’obiettivo di posizionare correttamente un cavo elettrico all’interno di un ambiente simile ad un quadro di cablaggio. I risultati mostrano che le due soluzioni basate su reti neurali sono in grado di comprendere le principali caratteristiche dei movimenti richiesti, ma non hanno la capacità di catturare i movimenti più sottili, essenziali per portare a termine il compito in scenari non banali. Il modello d'insieme fornisce risultati migliori in termini di esecuzione del compito, nello specifico riguardo al posizionamento del cavo, all’inserimento accurato ed all’evitamento dell’eccessiva tensione del cavo, rendendolo una soluzione affidabile. Il principale svantaggio del pianificatore sviluppato è che è limitato alla generazione in anello aperto, senza la possibilità di correggere la traiettoria in tempo reale. Tuttavia, i risultati ottenuti costituiscono una buona base per lo sviluppo di strategie robuste in anello chiuso.