Model Predictive Impedance Control with Gaussian Processes for Human and Environment Interaction

1. Il Problema

I compiti robotici che coinvolgono il contatto fisico con esseri umani e ambienti presentano incertezze significative derivanti da:

• Variazioni negli obiettivi umani (es. quale obiettivo tra più possibilità scegliere).
• Configurazioni ambientali variabili (es. posizione imprecisa di un vincolo o di un oggetto).
• Disturbi esterni (es. vibrazioni durante la lucidatura).
• Incertezza nel modello del compito appreso.

I metodi esistenti per l'adattamento della traiettoria o dell'impedenza tendono a gestire queste incertezze in modo isolato (es. solo apprendimento da dimostrazione o solo rilevamento dell'intenzione). Non esiste un quadro unificato in grado di gestire simultaneamente un'ampia gamma di incertezze, vincoli di sicurezza e obiettivi ergonomici in tempo reale, senza richiedere modelli analitici complessi dell'ambiente o grandi quantità di dati.

2. Metodologia

Il paper propone un framework di Controllo Predittivo Modello (MPC) non lineare che pianifica online sia la traiettoria che i parametri di impedenza (massa, smorzamento, rigidità). Il cuore del sistema è l'uso di Gaussian Processes (GP) per modellare le forze esterne e le incertezze.

A. Modellazione con Gaussian Processes (GP)

• Apprendimento: Il sistema apprende un modello del compito da un numero ridotto di dimostrazioni (≤ 3). Vengono utilizzati GP per regressare le forze esterne (umane, di contatto, disturbi) in funzione della posizione del robot.
• Gestione delle Incertezze:
  • Obiettivi Umani Discreti: Vengono creati modelli GP separati per ogni possibile "modo" o obiettivo umano. Un estimatore bayesiano aggiorna in tempo reale la probabilità (credenza) di ciascun obiettivo.
  • Incertezza di Contatto: Se la posizione di contatto varia tra le dimostrazioni, il GP aumenta la varianza (covarianza) nella regione di contatto, segnalando incertezza.
  • Disturbi: Viene utilizzato un modello di disturbo nel dominio della frequenza (filtro passa-alto) per distinguere le forze umane (bassa frequenza) dalle vibrazioni del processo (alta frequenza).
• Dinamica Stocastica: Le equazioni del moto dell'ammettenza del robot vengono discretizzate e propagate stocasticamente. Questo permette di calcolare non solo la traiettoria media ($\mu$), ma anche la sua covarianza ($\Sigma$), che dipende dai parametri di impedenza.

B. Formulazione del Problema MPC

Il problema di ottimizzazione risolve in tempo reale (10-20 Hz) per trovare la sequenza di comandi di forza di riferimento ($f^r$) e le variazioni dei parametri di impedenza ($\Delta M, \Delta D$).

• Funzione di Costo: Minimizza una combinazione di:
  • Errori di traiettoria e covarianza (per ridurre l'incertezza).
  • Costi ergonomici (basati sui momenti articolari umani stimati).
  • Rifiuto dei disturbi (penalizzando la risposta a frequenze elevate).
• Vincoli:
  • Chance Constraint (Vincolo Probabilistico): Garantisce che la forza di contatto non superi una soglia con una certa probabilità, tenendo conto della varianza del modello GP.
  • Vincolo di Smorzamento Ben Dato (Well-damped): Calcola la rigidità ambientale stimata dal GP e impone uno smorzamento virtuale sufficiente per garantire la stabilità del contatto, evitando oscillazioni.

3. Contributi Chiave

1. Tassonomia Unificata: Classificazione delle incertezze nell'interazione fisica e formulazione di un problema unificato per affrontarle tramite impedenza adattiva.
2. GP come Modelli di Compito Intermedi: A differenza di approcci precedenti che usano i GP direttamente come generatori di riferimento, qui i GP sono integrati nel problema MPC. Questo permette di ottimizzare esplicitamente l'impedenza basandosi sull'incertezza della traiettoria.
3. Ottimizzazione dell'Impedenza Basata su Gradiente: Proposta di un metodo di ottimizzazione basato sul gradiente (non basato su campionamento) per i parametri di impedenza, permettendo l'applicazione diretta di vincoli complessi come la stabilità del contatto e i limiti di forza.
4. Validazione Sperimentale: Dimostrazione pratica in scenari reali con tassi di aggiornamento MPC di 10-20 Hz.

4. Risultati Sperimentali

Il framework è stato validato su tre compiti principali:

• Assemblaggio di una Rotaia: Il robot ha identificato automaticamente i gradi di libertà (DoF) variabili (dove l'obiettivo umano cambia) rispetto a quelli ripetibili. Ha mantenuto un'impedenza bassa nella direzione variabile per facilitare l'intervento umano e alta nelle direzioni ripetibili per precisione.
• Lucidatura Collaborativa: Il sistema ha filtrato le vibrazioni ad alta frequenza del processo di lucidatura (aumentando l'impedenza in quelle direzioni) mantenendo al contempo una bassa impedenza per permettere all'operatore di guidare facilmente il robot. L'aggiunta di costi ergonomici ha ridotto l'impedenza quando il robot si allontanava dall'operatore, riducendo lo sforzo articolare umano.
• Inserimento Doppio (Double Peg-in-Hole): Il sistema ha inferito online l'intenzione umana (quale buca scegliere) aggiornando la credenza sui modelli GP. Di conseguenza, la traiettoria e la forza di guida si sono adattate dinamicamente per assistere l'umano verso l'obiettivo corretto.

Analisi dei Contatti:

• I vincoli di "smorzamento ben dato" hanno dimostrato di stabilizzare il contatto con ambienti rigidi aumentando lo smorzamento, prevenendo l'instabilità e le oscillazioni che si verificavano con un'impedenza fissa.
• I vincoli probabilistici hanno reso il sistema più conservativo quando l'incertezza sulla posizione di contatto era alta, riducendo le forze di picco.

5. Significato e Conclusione

Questo lavoro rappresenta un passo avanti significativo verso robot collaborativi più sicuri e adattivi. La capacità di pianificare simultaneamente traiettoria e impedenza in un unico framework di ottimizzazione, alimentato da modelli probabilistici appresi da pochi dati, risolve il compromesso tra precisione, sicurezza e adattabilità.

Il sistema non richiede modelli analitici precisi dell'ambiente, ma impara le dinamiche di contatto e le preferenze umane direttamente dai dati. Questo rende la tecnologia scalabile per compiti manifatturieri complessi dove le condizioni variano e l'interazione con l'operatore umano è fondamentale. Le limitazioni principali rimangono di natura computazionale, specialmente nella gestione di contatti molto rigidi che richiedono passi di integrazione piccoli, ma il framework dimostra la fattibilità di un controllo predittivo robusto in tempo reale per l'HRI (Human-Robot Interaction).