Progressive automation robot with generalization to new targets

Robots are well-known for facilitating people's lives by doing difficult and dangerous tasks. However, the need for significant big investments, spending time offline programming the robot, and the need for expert operators limit us from automating some tasks by robots. For instance, the cost of robotic automation in small and medium-sized companies, with frequent changes in the production lines, cannot be justified with current industrial robotic solutions. Progressive automation is a novel approach to programming robots by demonstrations because it significantly reduces the programming time and the need for expert personnel, thus eliminating the related costs. It is a reliable method to program repetitive tasks such as picking and placing objects. In this way, a task that takes hours and even days to be programmed, with current practices, can be programmed in a matter of minutes using progressive automation. The central concept of progressive automation is teaching the robot by demonstration. The robot learns the trajectory from the operator during teaching, and the leading role transitions gradually from the human to the robot. After a few demonstrations, the human can stop interacting with the robot, and the robot can continue executing the learned task autonomously. The current methodology can achieve pick and place from the same locations and demonstration/execution of the learned trajectory in multiple segments, one from the pick position to the placement position and one for the reverse, which is pretty much the same trajectory. However, many industrial tasks require the robot to go to other targets autonomously without additional demonstration. For instance, considering a task where multiple items, randomly placed on a table, need to be picked and placed in a container, we want the robot to autonomously pick them up by scaling the learned trajectory. This thesis combines the progressive automation methodology with Dynamic Movement Primitives (DMP) scaling and a reversible DMP formulation. With the combined approach, we can teach a robot how to move from pick to placement position. Then, the DMP will execute the reverse movement by scaling it towards a new target. Utilizing a variable stiffness strategy based on the correspondence between consecutive demonstrations and the force applied by the user, the stiffness of the admittance-controlled robot gradually increased. After some demonstrations, the robot has reached its maximum stiffness and can continue executing the task autonomously for different pick positions. The methodology is evaluated experimentally in a pick-and-place scenario with a UR5e robotic arm and a suction gripper.

ROBOT DI AUTOMAZIONE PROGRESSIVA PER GENERALIZZAZIONE A NUOVI TARGET. I robot sono noti per facilitare la vita delle persone svolgendo compiti difficili e pericolosi. Tuttavia, la necessità di grandi investimenti significativi, il tempo dedicato alla programmazione offline del robot e la necessità di operatori esperti ci limitano ad automatizzare alcune attività tramite robot. Ad esempio, il costo dell'automazione robotica nelle piccole e medie imprese, con frequenti cambiamenti nelle linee di produzione, non può essere giustificato con le attuali soluzioni di robotica industriale. L'automazione progressiva è un nuovo approccio alla programmazione dei robot mediante dimostrazioni perché riduce significativamente i tempi di programmazione e la necessità di personale esperto, eliminando così i relativi costi. È un metodo affidabile per programmare attività ripetitive come raccogliere e posizionare oggetti. In questo modo, un'attività che richiede ore e persino giorni per essere programmata, con le pratiche attuali, può essere programmata in pochi minuti utilizzando l'automazione progressiva. Il concetto centrale dell'automazione progressiva è insegnare al robot tramite dimostrazione. Il robot apprende la traiettoria dall'operatore durante l'insegnamento e il ruolo principale passa gradualmente dall'essere umano al robot. Dopo alcune dimostrazioni, l'essere umano può smettere di interagire con il robot e il robot può continuare a eseguire autonomamente il compito appreso. L'attuale metodologia può ottenere il prelievo e il posizionamento dalle stesse posizioni e la dimostrazione/esecuzione della traiettoria appresa in più segmenti, uno dalla posizione di prelievo alla posizione di posizionamento e uno per il contrario, che è praticamente la stessa traiettoria. Tuttavia, molte attività industriali richiedono che il robot raggiunga autonomamente altri obiettivi senza ulteriori dimostrazioni. Ad esempio, considerando un'attività in cui più elementi, posizionati casualmente su un tavolo, devono essere prelevati e collocati in un contenitore, vogliamo che il robot li raccolga autonomamente scalando la traiettoria appresa. Questa tesi combina la metodologia di automazione progressiva con il ridimensionamento Dynamic Movement Primitives (DMP) e una formulazione DMP reversibile. Con l'approccio combinato, possiamo insegnare a un robot come spostarsi dalla posizione di prelievo a quella di posizionamento. Quindi, il DMP eseguirà il movimento inverso ridimensionandolo verso un nuovo target. Utilizzando una strategia di rigidità variabile basata sulla corrispondenza tra dimostrazioni consecutive e la forza applicata dall'utente, la rigidità del robot controllato dall'ammissione è aumentata gradualmente. Dopo alcune dimostrazioni, il robot ha raggiunto la sua massima rigidità e può continuare a eseguire il compito autonomamente per diverse posizioni di prelievo. La metodologia viene valutata sperimentalmente in uno scenario pick-and-place con un braccio robotico UR5e e una ventosa.