Optimizing parameters of robotic task-oriented programming via a multiphysics simulation

This thesis addresses one of the main challenges of modern industrial robotics: the complexity of robot programming. Despite significant hard- ware advancements, robot programming often remains complex and challenging for non-expert operators, requiring in-depth knowledge of specific languages and robot system management. To tackle this challenge, the work introduces an innovative framework for task-oriented programming, designed to make the definition of robotic activities more intuitive and efficient. This framework combines a modular and flexible structure with advanced tools such as Behavior Trees and ROS (Robot Operating System). The main goal is to shift the focus from robot programming based on robot-oriented elementary instructions to defining complex tasks in a human-readable fashion, simplifying operators’ work. A central aspect of the framework is optimizing operational parameters through a dedicated algorithm or Reinforcement Learning model. These techniques allow for improving the robot’s execution by minimizing errors and achieving successful task completion. The thesis takes advantage of advanced physical simulations to ensure safety and avoid risks during the optimization phase. By leveraging the PyBullet simulation engine, operational parameters can be evaluated and refined in a virtual environment that faithfully replicates reality. Among the practical applications of the framework, complex assembly tasks often consist of many object insertions ("peg-in-hole"), therefore "peg-in-hole" will be used as a case study to validate the effectiveness of the developed algorithms. The obtained results demonstrate that the proposed method outperforms traditional techniques in terms of both efficiency and reliability. In addition to the main research, the thesis explores complementary activities of significant practical relevance. These include participation in international robotics competitions and the development of a robotic cell for the disassembly of electric vehicle batteries. These examples highlight the framework’s utility in real-world scenarios, demonstrating its potential to meet industrial needs.

Questa tesi affronta una delle principali sfide della robotica industriale moderna: la complessità della programmazione dei robot. Nonostante i significativi progressi hardware, la programmazione dei robot spesso rimane una tematica difficile per gli operatori non esperti, richiedendo una conoscenza approfondita di linguaggi specifici e della gestione dei sistemi robotici. Per affrontare questa sfida, il lavoro introduce un innovativo framework per la programmazione orientata ai compiti, progettato per rendere la definizione delle attività robotiche più intuitiva ed efficiente. Questo framework combina una struttura modulare e flessibile con strumenti avanzati come i Behavior Trees e ROS (Robot Operating System). L'obiettivo principale è spostare l'attenzione dalla programmazione basata su istruzioni elementari orientate al robot alla definizione di compiti complessi in un formato comprensibile per gli operatori, semplificando il loro lavoro. Un aspetto centrale del framework è l'ottimizzazione dei parametri operativi tramite un algoritmo dedicato o un modello di Reinforcement Learning. Queste tecniche consentono di migliorare l'esecuzione del robot minimizzando errori e raggiungendo il completamento con successo delle attività. La tesi sfrutta simulazioni fisiche avanzate per garantire sicurezza ed evitare rischi durante la fase di ottimizzazione. Utilizzando PyBullet come motore di simulazione, i parametri operativi possono essere valutati e perfezionati in un ambiente virtuale che riproduce accuratamente la realtà. Tra le applicazioni pratiche del framework, i compiti complessi di assemblaggio, spesso costituiti da numerose operazioni di inserimento di oggetti ("peg-in-hole"), i quali sono utilizzati come caso di studio per validare l'efficacia degli algoritmi sviluppati. I risultati ottenuti dimostrano che il metodo proposto supera le tecniche tradizionali sia in termini di efficienza che di affidabilità. Oltre alla ricerca principale, la tesi esplora attività complementari di notevole rilevanza pratica. Queste includono la partecipazione a competizioni internazionali di robotica e lo sviluppo di una cella robotica per lo smontaggio delle batterie di veicoli elettrici. Questi esempi evidenziano l’utilità del framework in scenari reali, dimostrando il suo potenziale per soddisfare le esigenze industriali.