Metodi per una nuova robotica collaborativa: dalla programmazione al trasferimento diretto delle abilità umane

Learning by Demonstration (LbD), a key area in robotics, allows robots to learn complex tasks through demonstrations, aiming to make robot programming more accessible to non-expert users. This thesis addresses the fundamental challenges of skill extraction, time-decoupling, and motion adaptation, developing new algorithms that improve the robot's ability to learn, adapt, and interact safely with humans in dynamic environments. One of the central contributions of this work is the development of a novel approach to handle temporal misalignments in demonstration data, which offer accurate skill extraction. Traditional techniques like Dynamic Time Warping (DTW) fall short in fully decoupling timing from skill representation. To address this, in the thesis a Spatial Sampling (SS) algorithm is proposed, which extracts the geometric information of demonstrated tasks independently of timing variations. This allows for time-invariant skill representation, improving the robot’s capacity to learn more accurately. The SS method is integrated with Gaussian Mixture Regression (GMR) to generate robust trajectories that can adapt to various execution speeds, providing a flexible framework for skill transfer. This system was validated in rehabilitation tasks, where accurate and adaptable motion reproduction is critical. In collaborative robotics, the thesis advances the application of Virtual Fixtures (VFs) to enhance co-manipulation tasks, where robots assist humans by constraining their motion along specific paths. While VFs are widely used to improve task precision and reduce cognitive load, they face challenges in managing singularities, where multiple valid paths exist. In the thesis, a novel approach to handle these issues is introduced, ensuring smoother and more intuitive human-robot interaction in complex task settings. This contribution enhances the robot’s ability to assist in tasks that require both precision and adaptability. Another key aspect of the research focuses on extending the capabilities of Dynamic Movement Primitives (DMPs), a widely-used method for encoding robot motion. DMPs are attractive for their stability and flexibility, but their application in environments with dynamic changes had limitations. In the thesis an extension to DMPs has been provided, that allow robots to adjust their trajectories in real time, reacting to user inputs in Human-Robot Interaction (HRI) architecture. This enables robots to perform complex tasks, such as co-manipulation, while maintaining robustness, adaptability and, most of all, safety. Safety in human-robot collaboration is a central concern, especially in shared workspaces where humans and robots must work together without compromising performance or safety. To address this, the thesis additionally introduces a real-time obstacle avoidance algorithm that allow robots to modify their paths in response to human movements, ensuring safe interaction without interrupting task execution. The proposed method uses vision-based monitoring to detect potential collisions and dynamically adjusts the robot’s speed or position to avoid them. Once the workspace is clear, the robot resumes its original task path, balancing safety with operational efficiency. In summary, this thesis contributes to the fields of robot learning and human-robot interaction by developing novel algorithms for skill extraction, motion adaptation, and safety in collaborative environments. These advancements enable robots to learn from limited demonstrations, adapt to dynamic environments, and interact safely with humans, making them more versatile and accessible for applications such as rehabilitation, industrial automation, and collaborative tasks.

In robotica, con Learning by Demonstration (LbD) si intende il trasferimento di conoscenza ai robot con mezzi di programmazione intuitivi e con l’intento di rendere più accessibile questa fase anche ad utenti non esperti. Questa tesi ha come sfide l'analisi di dati, il disaccoppiamento temporale e la pianificazione del moto, sviluppando nuovi algoritmi che migliorano la capacità del robot di apprendere, adattarsi e interagire in sicurezza con gli esseri umani in ambienti dinamici. Uno dei contributi principali è lo sviluppo di un nuovo approccio per gestire i disallineamenti temporali nei dati di dimostrazione, migliorando l'accuratezza del compito assegnato al robot. Le tecniche tradizionali, come il Dynamic Time Warping (DTW), non riescono a dissociare completamente il tempo da tali dati. Per risolvere questo problema, nella tesi è proposto un algoritmo di campionamento spaziale (Spatial Sampling, SS) che estrae le informazioni geometriche indipendentemente dalle variazioni temporali. Ciò consente una rappresentazione di percorsi geometrici, migliorando la capacità del robot di apprendere. Il metodo SS è integrato con un modello Gaussiano (Gaussian Mixture Regression, GMR) per generare traiettorie robuste che possono adattarsi a diverse velocità di esecuzione, fornendo un quadro flessibile per il trasferimento delle competenze al robot. Questo sistema è stato validato in compiti di riabilitazione, dove è fondamentale una riproduzione accurata e adattabile dei movimenti dell’uomo. Nel campo della robotica collaborativa, la tesi studia l’applicazione di vincoli virtuali (Virtual Fixtures, VF) per potenziare i compiti di co-manipolazione, dove i robot assistono gli umani limitando i loro movimenti lungo percorsi specifici. Sebbene i VF siano ampiamente utilizzati per migliorare la precisione dei compiti e ridurre il carico cognitivo, possono presentare limitazioni. Nella tesi è introdotto un nuovo approccio per affrontare questi problemi, garantendo un’interazione uomo-robot più fluida e intuitiva in contesti complessi. Un altro aspetto chiave della ricerca è lo studio di primitive di moto (Dynamic Movement Primitives, DMP), un metodo utilizzato per la pianificazione delle traiettorie. I DMP sono conosciuti per la loro stabilità e flessibilità, ma la loro formulazione classica non tiene da conto possibili cambiamenti dinamici. Nella tesi viene proposta un’estensione dei DMP che consente ai robot di adattare le loro traiettorie in tempo reale, reagendo agli input degli utenti in un contesto di interazione uomo-robot. Questo consente ai robot di eseguire compiti complessi, come la co-manipolazione, mantenendo robustezza, adattabilità e, soprattutto, sicurezza. La sicurezza nella collaborazione uomo-robot è centrale, soprattutto negli spazi di lavoro condivisi dove umani e robot devono coesistere. Per affrontare questo aspetto, la tesi introduce inoltre un algoritmo di evitamento ostacoli in tempo reale che consente ai robot di modificare i loro percorsi in risposta ai movimenti umani, garantendo un’interazione sicura senza interrompere l'esecuzione del compito. Il metodo proposto utilizza un monitoraggio basato sulla visione per rilevare potenziali collisioni e regola dinamicamente la velocità o la posizione del robot. Una volta liberato lo spazio di lavoro, il robot riprende il percorso originario, bilanciando sicurezza ed efficienza operativa. In sintesi, questa tesi contribuisce ai campi dell'apprendimento e dell'interazione uomo-robot sviluppando nuovi algoritmi per l'elaborazione di comandi, l’adattamento del movimento e la sicurezza in ambienti collaborativi. Questi progressi consentono ai robot di apprendere da dimostrazioni limitate, adattarsi a ambienti dinamici e interagire in sicurezza con gli esseri umani.