Human-Guided Co-Manipulation of Carbon Fiber Plies

Resumen Técnico: Co-manipulación de Pliegos de Fibra de Carbono Guiada por Humanos

Planteamiento del Problema
La manipulación de materiales flexibles y deformables, como los pliegos de fibra de carbono, presenta desafíos significativos para la automatización total debido a la distorsión dinámica y los estados cambiantes de estos objetos. Si bien los procesos totalmente manuales evitan estas limitaciones robóticas, suelen ser ergonómicamente exigentes, tediosos e ineficientes, particularmente en industrias como la aviación y la automoción, donde grandes láminas compuestas deben colocarse sobre moldes. La Colaboración Humano-Robot (HRC) y la manipulación cooperativa (co-manipulación) ofrecen un punto medio prometedor, permitiendo la participación humana en la toma de decisiones mientras se aprovecha la eficiencia robótica. Sin embargo, una co-manipulación eficaz requiere modalidades de interacción intuitivas que no obstaculicen las manos del operador, las cuales son necesarias para manipular el material. Las interfaces tradicionales, como los mandos de enseñanza (teach pendants), suelen ser inviables y las trayectorias predefinidas carecen de la flexibilidad necesaria para entornos dinámicos. En consecuencia, existe la necesidad de evaluar y comparar diferentes modalidades de control —específicamente voz, visión y fuerza— para determinar las estrategias más efectivas para guiar a un robot durante el transporte y la colocación de pliegos flexibles.

Metodología
Los autores desarrollaron una arquitectura de sistema que integra percepción, control y un robot colaborativo Franka Research 3 (FR3) para probar diversas estrategias de control en una celda de trabajo de HRC simplificada. La configuración consistió en el transporte de un pliego de preimpregnado de fibra de carbono (con película protectora) sobre un molde de aluminio, realizando experimentos tanto con como sin un obstáculo para simular trayectorias complejas.

El sistema utilizó tres modalidades principales:

1. Percepción: Una cámara Intel RealSense D435 con un modelo YOLO11n-pose detectó la muñeca del operador humano para proporcionar coordenadas 3D. Un SDK de Creoir EdgeVUI gestionó el Reconocimiento Automático del Habla (ASR) y la Conversión de Texto a Voz (TTS) para comandos verbales y retroalimentación del robot.
2. Arquitectura de Control: Un nodo controlador central gestionó la alternancia entre los diferentes modos de control y se comunicó con MoveIt y los controladores del robot.
3. Métodos de Control Evaluados: Se evaluaron cinco estrategias distintas:
   • Control de Compliancia (Cumplimiento): Uso de un controlador de impedancia cartesiana con rigidez cero, permitiendo que el humano tire del pliego y el robot lo siga.
   • Trayectoria Predefinida: El robot seguía una ruta fija mientras el humano se adaptaba.
   • Control de Voz por Pasos: El operador utilizaba comandos de voz discretos (por ejemplo, "avanzar", "abrir pinza") para guiar al robot en incrementos de 10 cm.
   • Seguimiento de Muñeca: La pose de referencia de impedancia del robot se actualizaba en tiempo real basándose en la posición detectada de la muñeca, permitiendo que el robot siguiera al humano con un desfase fijo.
   • Enfoque Híbrido: Una combinación de seguimiento de muñeca para movimientos gruesos, comandos de voz para ajustes y control de compliancia para la colocación final.

Resultos Clave
Los experimentos midieron el tiempo de finalización de la tarea, la longitud de la trayectoria y la magnitud de la fuerza aplicada al efector final del robot.

• Trayectoria Predefinida: Este fue el método más rápido (aprox. 10–11 segundos) y requirió el menor esfuerzo humano, pero carecía de flexibilidad y requería reprogramación ante cualquier cambio ambiental.
• Control de Compliancia: Este método ofreció la interacción más intuitiva liderada por el humano y fue el segundo más rápido (aprox. 25–31 segundos). Sin embargo, requería que el operador ejerciera fuerza para tirar del material, lo que podía estresar al operador o dañar el pliego, y dificultaba el movimiento hacia atrás.
• Control de Voz por Pasos: Aunque intuitivo y adaptable, este método resultó en los tiempos de ejecución más largos (aprox. 60–65 segundos) y las trayectorias más largas debido a movimientos intermitentes y bruscos. La precisión se vio limitada por la capacidad del operador para estimar distancias.
• Seguimiento de Muñeca: Este método eliminó la necesidad de fuerza de tracción y permitió un movimiento 3D más suave. No obstante, requirió una curva de aprendizaje para el operador y presentó desafíos para la colocación precisa cerca de la superficie.
• Enfoque Híbrido: Al combinar el seguimiento de muñeca, la voz y la compliancia, este enfoque logró la trayectoria más corta del efector final (aprox. 0.99–1.04 m) y equilibró la velocidad con el control. Requirió menos fuerza que la compliancia pura y fue más rápido que el control solo por voz, aunque el tiempo dedicado a cambiar de modo aumentó ligeramente la duración total en comparación con el seguimiento de muñeca puro.

Contribuciones Clave
La principal contribución del artículo es un análisis comparativo de distintas modalidades de control para la tarea específica de la co-manipulación de pliegos de fibra de carbono flexibles. A diferencia de trabajos previos que suelen centrarse en modalidades únicas o enfoques basados en modelos, este estudio:

1. Evalúa las Modalidades en Contexto: Proporciona datos empíricos comparando la compliancia, la voz, el seguimiento basado en visión y los métodos híbridos en un entorno controlado con obstáculos.
2. Propone una Solución Multimodal: Argumenta que un sistema híbrido que combine voz, visión (seguimiento de muñeca) y fuerza (compliancia) ofrece la solución más robusta. Este enfoque aprovecha las fortalezas de cada modalidad: visión para la guía sin contacto, voz para cambios de estado discretos y fuerza para el ajuste fino intuitivo.
3. Evita el Modelado del Material: Los métodos propuestos no requieren un modelado complejo del pliego de fibra de carbono, evitando la carga computacional y la reducida transferibilidad asociadas con los métodos basados en modelos o en aprendizaje.

Significación y Reivindicaciones
Los autores plantean modestamente que este trabajo presenta desarrollos preliminares enfocados específicamente en la fase de transporte del proceso de laminado. Postulan que, si bien ningún método es perfecto, una combinación multimodal permite un sistema que es tanto seguro como eficiente. La significación radica en demostrar que el seguimiento de la muñeca basado en visión puede reemplazar eficazmente la tracción por fuerza para el movimiento 3D, mejorando la ergonomía y la seguridad del material, mientras que la voz y la compliancia proporcionan la flexibilidad y precisión necesarias. El artículo concluye que el trabajo futuro se centrará en integrar estos métodos aislados en un escenario industrial completo, sugiriendo que el enfoque híbrido es un camino viable para resolver los desafíos del manejo de materiales flexibles en la Industria 5.0.