Apprendere interazioni uomo-robot in simulazione con algoritmi di Reinforcement Learning

Robotics is an area of growing importance in the industrial and assistance sectors, where the positive impact of using service robots is particularly evident. These can operate autonomously and semi-autonomously in direct contact with human users depending on the task assigned. Specifically, in the semi-autonomous mode, humans and robots interact together and cooperate so that the abilities of each complement each other and contribute to enhancing the quality of interaction. To this end, it's possible to use machine learning techniques that enable the construction of cognitive models for robots, and thus enhance their decision-making ability, partly through the involvement of humans who can refine their actions by interacting with the robot themselves. This thesis shows an overview of human-robot collaboration approaches proposed in the literature and applications, with particular focus in the industrial and assistive context and concentrating on machine learning techniques employed to optimize human-robot collaboration and improve safety. Finally through a simulator, Assistive Gym, it experiments with Reinforcement Learning's Proximal Policy Optimization algorithm for learning human-robot interactions in practical use scenarios, as well as offering an extension that includes the addition of a new environment and the TIAGo robot.

La robotica è un settore che riveste crescente importanza nell'ambito industriale e assistenziale, in cui l'impatto positivo dell'utilizzo di robot di servizio è particolarmente evidente. Questi ultimi possono operare in autonomia e semi-autonomia a diretto contatto con utenti umani a seconda del compito assegnato. In particolare, nella modalità semi-autonoma, uomo e robot interagiscono insieme e collaborano affinché le abilità di ciascuno si integrino a vicenda e contribuiscano a valorizzare la qualità dell'interazione. A questo scopo, è possibile utilizzare tecniche di apprendimento automatico che consentono la costruzione di modelli cognitivi per i robot, e quindi il potenziamento della loro capacità decisionale, anche grazie al coinvolgimento dell'uomo che può affinarne le azioni interagendo con il robot stesso. La presente tesi mostra una panoramica di approcci di collaborazione uomo-robot proposti in letteratura e applicazioni, con particolare focus nel contesto industriale e assistenziale e concentrandosi su tecniche di apprendimento automatico impiegate per ottimizzare la collaborazione uomo-robot e migliorare la sicurezza. Infine mediante un simulatore, Assistive Gym, sperimenta l'algoritmo Proximal Policy Optimization di Reinforcement Learning per apprendere interazioni uomo-robot in scenari d'uso pratico, oltre a offrire un'estensione che include l'aggiunta di un nuovo ambiente e il robot TIAGo.