Subject-Independent Frameworks for Robotic Devices: Applying Robot Learning to EMG Signals

La possibilità di collaborazione tra robot ed esseri umani ha fatto crescere l’interesse nello sviluppo di tecniche per il controllo di dispositivi robotici attraverso segnali fisiologici provenienti dal corpo umano. Per poter ottenere questo obiettivo è essenziale essere in grado di cogliere l’intenzione di movimento da parte dell’essere umano e di tradurla in un relativo movimento del robot. Fin’ora, quando si consideravano segnali fisiologici, ed in particolare segnali EMG, il classico approccio era quello di concentrarsi sul singolo soggetto che svolgeva il task, a causa della notevole complessità di questo tipo di dati. Lo scopo di questa tesi è quello di espandere lo stato dell’arte proponendo un framework generico ed indipendente dal soggetto, in grado di estrarre le caratteristiche del movimento umano osservando diverse dimostrazioni svolte da un gran numero di soggetti differenti. La variabilità introdotta nel sistema dai diversi soggetti e dalle diverse ripetizioni del task permette la costruzione di un modello del movimento umano, robusto a piccole variazioni e a un possibile deterioramento del segnale. Inoltre, il framework ottenuto può essere utilizzato da ogni soggetto senza che debba sottoporsi a lunghe sessioni di allenamento. I segnali verranno sottoposti ad un’accurata fase di reprocessing per rimuovere rumore ed artefatti, seguendo questo procedimento sarà possibile estrarre dell’informazione significativa che verrà utilizzata per elaborare il segnale online. Il movimento umano può essere stimato utilizzando tecniche statistiche molto diffuse in applicazioni di Robot Programming by Demonstration, in particolare l’informazione in input può essere rappresentata utilizzando il Gaussian Mixture Model (GMM). Il movimento svolto dal soggetto può venire stimato in maniera continua con delle tecniche di regressione, come il Gaussian Mixture Regression (GMR), oppure può venire scelto tra un insieme di possibili movimenti con delle tecniche di classificazione, come il Gaussian Mixture Classification (GMC). I risultati sono stati migliorati incorporando nel modello dell’informazione a priori, in modo da arricchirlo. In particolare, è stata considerata l’informazione gerarchica fornita da una tassonomia quantitativa dei movimenti di presa della mano. E’ stata anche realizzata la prima tassonomia quantitativa delle prese della mano considerando l’informazione sia muscolare che cinematica proveniente da 40 soggetti. I risultati ottenuti hanno dimostrato la possibilità di realizzare un framework indipendente dal soggetto anche utilizzando segnali fisiologici come gli EMG provenienti da un grande numero di partecipanti. La soluzione proposta è stata utilizzata in due tipi diversi di applicazioni: (I) per il controllo di dispositivi prostetici, e (II) in una soluzione per l’Industria 4.0, con l’obiettivo di consentire a uomini e robot di lavorare assieme o di collaborare. Infatti, unaspetto cruciale perché uomini e robot possano lavorare assieme è che siano in grado di anticipare uno il task dell’altro e i segnali fisiologici riescono a fornire un segnale prima che avvenga l’effettivo movimento. In questa tesi è stata proposta anche un’applicazione di Robot Programming by Demonstration in una vera fabbrica che si occupa di realizzare motori elettrici, con lo scopo di ottimizzarne la produzione. Il task faceva parte della European Robotic Challenge (EuRoC) in cui l’obiettivo finale era diviso in fasi di complessità crescente. La soluzione proposta impiega tecniche di Machine Learning, come il GMM, mentre la robustezza dell’approccio è assicurata dalla considerazione di dimostrazioni da parte di molti soggetti diversi. Il sistema è stato testato in un contesto industriale ottenendo risultati promettenti.