Control of Impact-aware Collaborative Robots

The development of collaborative robots (cobots) capable of operating safely and efficiently alongside humans is a critical area in robotics. This dissertation addresses the challenges of impact-aware control in collaborative robotics, focusing on sensorless methodologies to detect and respond to intentional and unintentional impacts. Three key innovations are presented. First, a novel Hybrid Super-Twisting Differentiator (HSTD) is introduced, enabling accurate velocity and acceleration estimation from position data without requiring dedicated sensors. This method demonstrates superior noise resilience and minimal phase lag, enhancing real-time performance in dynamic environments. Second, a new Extended State Acceleration Observer (ESAO) is developed for rapid and reliable collision detection. By extending the robot’s state-space dynamics and using the error of acceleration signal, this method achieves faster detection times compared to state-of-the-art algorithms, offering robust noise handling and adaptability. Third, the application of these methods is demonstrated through a dual-arm robot setup designed for object grasping and manipulation tasks. Challenges such as weak external torque signals and redundant impact detection are addressed by leveraging combined external torque norms and time window frame calibrated thresholds, ensuring reliable trajectory planning and control. Experimental validation confirms the effectiveness of the proposed approach in improving task success rates and operational stability. This work advances the state of impact-aware cobot control, laying the groundwork for safer and more efficient human-robot collaboration.

Lo sviluppo di robot collaborativi (cobot) capaci di operare in modo sicuro ed efficiente accanto agli esseri umani rappresenta un’area cruciale della robotica. Questa dissertazione affronta le sfide del controllo consapevole degli impatti nella robotica collaborativa, concentrandosi su metodologie senza sensori per rilevare e rispondere a impatti intenzionali e non intenzionali. Vengono presentate tre innovazioni chiave. In primo luogo, viene introdotto un nuovo Differenziatore Ibrido Super-Twisting (HSTD), che consente una stima accurata della velocità e dell’accelerazione a partire dai dati di posizione senza richiedere sensori dedicati. Questo metodo dimostra una resistenza superiore al rumore e un ritardo di fase minimo, migliorando le prestazioni in tempo reale in ambienti dinamici. In secondo luogo, è stato sviluppato un nuovo Osservatore di Accelerazione dello Stato Esteso (ESAO) per un rilevamento rapido e affidabile delle collisioni. Estendendo la dinamica dello spazio degli stati del robot e utilizzando l’errore del segnale di accelerazione, questo metodo raggiunge tempi di rilevamento più rapidi rispetto agli algoritmi all’avanguardia, offrendo una gestione robusta del rumore e un’elevata adattabilità. In terzo luogo, l’applicazione di questi metodi è dimostrata attraverso un sistema robotico a doppio braccio progettato per compiti di presa e manipolazione di oggetti. Sfide come segnali di coppia esterna deboli e rilevamenti ridondanti di impatti sono affrontate sfruttando norme combinate di coppia esterna e soglie calibrate su finestre temporali, garantendo una pianificazione e un controllo affidabili delle traiettorie. La validazione sperimentale conferma l’efficacia dell’approccio proposto nel migliorare i tassi di successo dei compiti e la stabilità operativa.