Riconoscimento di gesture basate sul contatto tramite algoritmi di machine learning per la collaborazione uomo-robot.

Il lavoro di tesi propone lo sviluppo di un sistema di riconoscimento di gesture basate sul contatto utilizzabile con il robot collaborativo Franka Emika Panda. Tramite sensori di forza l'operatore può inviare dei comandi al robot, il quale tramite un algoritmo di machine learning riconosce la gesture effettuata per eseguire una tra 4 possibili istruzioni. Questo sistema è stato implementato in uno scenario di collaborazione tra operatore e robot per lo svolgimento di un determinato compito. I 4 comandi possibili sono progettati per migliorare l'efficienza, la comodità e la sicurezza del processo rispetto a situazioni in cui l'operatore lavora da solo. Per la realizzazione del sistema descritto sono state investigate tre diverse tecniche di machine-learning: la Support Vector Machine (SVM), la k-nearest neighbor (KNN) e la Random Forest (RF). Tutti questi algoritmi sono stati allenati sul medesimo dataset, il quale è stato acquisito in laboratorio grazie alla partecipazione di 7 soggetti che hanno eseguito le 4 gestures. L'algoritmo che ha ottenuto i migliori risultati è stato il k-Nearest Neighbor ed è stato adottato in un contesto di collaborazione tra uomo e robot. L'obiettivo finale è di permettere ad un operatore umano di collaborare con il robot Franka Emika Panda per completare l'assemblaggio di una cassetta degli attrezzi. Tale approccio di riconoscimento risulta promettente per sviluppi in contesti molto variegati e complessi, in particolare nell'ambito industriale dove l'uomo può compensare gli svantaggi del robot e viceversa.