Verso una programmazione robotica centrata sull’uomo: dall’interazione fisica all’interazione cognitiva basata su AI

This PhD research explores methodologies to simplify robot programming by progressively integrating physical and cognitive human–robot interaction. The work began with the identification of the dynamic parameters of a 6-DoF industrial manipulator, providing a reliable dynamic model for advanced control design and validation. An adaptive admittance control framework was then developed to enable safe hand-guiding. The control law adjusted inertia and damping parameters in real time according to the relative kinetic energy between the human and the robot, estimated through a vision-based system. This allowed operators to physically demonstrate trajectories that were later autonomously reproduced, effectively simplifying robot teaching. The approach was further extended to collaborative robotics, where both algorithmic and optimization-based adaptive controllers were implemented. These controllers incorporated an energy-tank formulation and Power-and-Force-Limiting (PFL) to bound the relative kinetic energy and ensure safe, stable interaction during close proximity. Finally, artificial intelligence methods were applied to achieve cognitive-level programming, using large language models to translate natural-language instructions into executable robot actions. Overall, the research outlines a coherent pathway from model-based identification to adaptive and AI-driven programming, contributing to safe and human-centered automation within the Industry 5.0 framework.

La ricerca di dottorato esplora metodologie per semplificare la programmazione robotica attraverso l’integrazione progressiva tra interazione uomo–robot fisica e cognitiva. Il lavoro è iniziato con l’identificazione dei parametri dinamici di un manipolatore industriale a 6 gradi di libertà, al fine di ottenere un modello accurato per la progettazione e la validazione di controlli avanzati. È stato poi sviluppato un controllo di ammettenza adattivo per consentire una modalità di hand-guiding sicura. La legge di controllo regola in tempo reale inerzia e smorzamento in funzione dell’energia cinetica relativa tra operatore e robot, stimata tramite visione artificiale. Ciò ha permesso di registrare traiettorie dimostrate manualmente e di riprodurle autonomamente, semplificando l’insegnamento al robot. L’approccio è stato esteso alla robotica collaborativa mediante controllori adattivi algoritmici e basati su ottimizzazione, che integrano una formulazione energetica con Energy Tank e un Physical Feasibility Limit (PFL) per limitare l’energia cinetica relativa e garantire interazioni sicure e stabili. Infine, sono state esplorate tecniche di intelligenza artificiale per la programmazione cognitiva, utilizzando modelli linguistici di grandi dimensioni per tradurre istruzioni in linguaggio naturale in azioni robotiche eseguibili. Il lavoro delinea un percorso coerente dalla modellazione dinamica alla programmazione adattiva e basata su AI, contribuendo allo sviluppo di un’automazione sicura e centrata sull’uomo in linea con la visione dell’Industry 5.0.