• Controllo Ottimo
• Controllo Predittivo
• HRC
• MPPI
• Sicurezza nella HRI

Negli attuali scenari industriali, caratterizzati da un crescente grado di automazione, la coesistenza di operatori umani e robot nei medesimi spazi di lavoro e perfino la loro collaborazione sono diventate un’esigenza sempre più concreta. Per garantire la sicurezza degli operatori in questi nuovi scenari, sono state introdotte normative, come la ISO 10218 e la ISO/TS 15066, che mirano a minimizzare i rischi durante l’interazione uomo-robot. Questo avviene imponendo al robot arresti forzati qualora l’operatore stia occupando lo spazio di lavoro condiviso (Safety-rated monitored stop), riducendo la sua velocità in funzione della distanza che lo separa dall’operatore (Speed and separation monitoring) o limitando la forza massima con cui esso può interagire con l’ambiente (Power and force limiting). Tuttavia, per rispettare tali standard, vengono utilizzate strategie di controllo che portano spesso a comportamenti subottimali del robot, legati ad arresti non necessari, a significative riduzioni della velocità operativa o a elevati tempi di ricalcolo della traiettoria, compromettendo l’efficienza complessiva dell’intero processo.

Il presente lavoro di tesi propone e valuta un approccio innovativo basato su un algoritmo di controllo predittivo, che ha lo scopo di ottimizzare l’efficienza operativa, senza però compromettere la sicurezza dell’operatore. I controlli predittivi consentono, infatti, di pianificare dinamicamente la traiettoria che il robot deve seguire, valutando i vincoli presenti nel momento corrente, come la presenza di ostacoli lungo il percorso e limiti di velocità imposti dalle normative di sicurezza, ma anche quelli futuri, prevedendo potenziali situazioni critiche. Ciò permette al robot di adeguare il suo comportamento in anticipo.

Uno dei principali ostacoli nell’adozione di controlli predittivi nella robotica collaborativa è l’elevata complessità della dinamica del sistema. Oltre al modello complesso del manipolatore, infatti, essa introduce numerosi vincoli legati alla sicurezza e alla gestione dello spazio di lavoro condiviso. A causa di questi, i metodi di ottimizzazione tradizionali risultano lenti e computazionalmente onerosi, dimostrandosi pertanto inadeguati per applicazioni in tempo reale.

Per ovviare a questi limiti, si è adottato un metodo di ottimizzazione alternativo basato sul campionamento (sampling-based): il Model Predictive Path Integral (MPPI). Al contrario dei controlli predittivi tradizionali, che sfruttano algoritmi di ottimizzazione numerica basati sull’analisi del gradiente della funzione di costo, questo algoritmo valuta in tempo reale un insieme di potenziali traiettorie, selezionando quella ottimale attraverso un’opportuna media pesata che considera i vincoli di sicurezza e l’ambiente circostante. Per loro natura, questo tipo di algoritmi permette di sfruttare la capacità di elaborare dati in parallelo propria della Graphics Processing Unit (GPU). Questo fa sì che i tempi di calcolo risultino significativamente ridotti, rendendo questo metodo adatto ad applicazioni real-time.

L’algoritmo MPPI proposto è stato validato virtualmente su un punto materiale e successivamente implementato nella generazione della traiettoria di un manipolatore collaborativo. I test sono stati condotti sia in ambiente simulato che in un ambiente sperimentale, utilizzando un robot collaborativo Universal Robots UR5e, operante in un ambiente dotato di telecamera OptiTrack per il rilevamento della posizione dell’operatore.

I risultati ottenuti dimostrano che l’approccio proposto migliora significativamente l’efficienza operativa del manipolatore, garantendo al contempo il rispetto degli standard di sicurezza e la conformità ai vincoli ambientali, permettendo così una collaborazione più efficiente e sicura tra uomo e robot.

In modern industrial scenarios, characterized by an increasing degree of automation, the coexistence of human operators and robots in the same workspace and even their collaboration has become an increasingly concrete necessity. To ensure operator safety in these new settings, standards such as ISO 10218 and ISO/TS 15066 have been introduced to minimize risks during human-robot interaction. These regulations enforce measures such as stopping the robot when the operator enters the shared workspace (Safety-rated monitored stop), reducing the robot’s speed based on its distance from the operator (Speed and separation monitoring), or limiting the maximum force exerted during interactions (Power and force limiting). However, compliance with these standards often leads to suboptimal robot behavior due to unnecessary stops, significant reductions in operational speed, or high trajectory recomputation times, ultimately compromising overall process efficiency. This thesis proposes and evaluates an innovative approach based on a predictive control algorithm, aimed at optimizing operational efficiency without compromising operator safety. Predictive control techniques enable the dynamic planning of the robot's trajectory, considering both current constraints—such as obstacles along the path and speed limits imposed by safety regulations—and future constraints, by anticipating potential critical situations. This allows the robot to proactively adapt its behavior. One of the main challenges in applying predictive control to collaborative robotics is the high complexity of the system dynamics. In addition to the intricate manipulator model, numerous constraints related to safety and shared workspace management must be considered. These factors make traditional optimization methods computationally expensive and unsuitable for real-time applications. To overcome these limitations, this work adopts an alternative sampling-based optimization method: Model Predictive Path Integral (MPPI). Unlike conventional predictive control approaches that rely on numerical optimization algorithms based on gradient analysis of the cost function, MPPI evaluates multiple candidate trajectories in real time, selecting the optimal one through a weighted average that considers safety constraints and the surrounding environment. Due to its nature, this algorithm leverages the parallel computing capabilities of Graphics Processing Units (GPUs), significantly reducing computation times and making it suitable for real-time applications. The proposed MPPI algorithm was first validated in simulation using a point-mass model and then implemented for trajectory generation in a collaborative manipulator. The experimental validation was carried out in both a simulated environment and a real-world setup, using a Universal Robots UR5e collaborative robot equipped with an OptiTrack motion capture system for operator position tracking. The obtained results demonstrate that the proposed approach significantly improves the operational efficiency of the manipulator while ensuring compliance with safety standards and environmental constraints. This enables a safer and more efficient human-robot collaboration.