Esoscheletri robotici a supporto degli operatori industriali
Nell’ambito della “IFToMM International Summer School on Human-Centered Robotics”, il programma formativo della IFToMM (International Federation for the Promotion of Mechanism and Machine Science), il premio “Silver Best Poster Award” è stato assegnato a Mattia Antonelli, dottorando del Dipartimento di Ingegneria Meccanica e Aerospaziale – DIMEAS.
L’ente promotore del progetto, IFToMM, è una comunità scientifica di carattere internazionale fondata nel secondo dopoguerra e che raggruppa, nello specifico, 45 organizzazioni nazionali, riunendo ricercatori da tutto il mondo per la condivisione della scienza e il rafforzamento dei legami internazionali. IFToMM, insieme all’Università Politecnica delle Marche e I-Labs Industry, ha quindi costruito il programma della HumAN Summer School sul tema della collaborazione tra esseri umani e robot, uno dei cardini del nuovo paradigma Industria 5.0.
Le lezioni, che si sono tenute dal 26 al 30 giugno scorso presso il dipartimento DIISM dell’Università Politecnica delle Marche, hanno previsto interventi teorici e applicazioni pratiche svolte da importanti docenti ed esperti italiani e internazionali sui seguenti argomenti: robotica collaborativa fissa e mobile; sensori per la collaborazione; esoscheletri ed interfacce aptiche; mani robotiche e soft robotics; ergonomia, sicurezza e normativa; IA nella collaborazione persona-robot; robotica riabilitativa e assistita.
Mattia Antonelli ha ricevuto il riconoscimento “Silver Best Poster Award” con la presentazione del poster “Active Exoskeleton for Trunk Support in Industrial Tasks”, ricerca basata sull’analisi e sviluppo delle logiche di controllo di un esoscheletro attivo di tronco in ambito industriale. Lo studio, realizzato da Antonelli in collaborazione con il dottorando Michele Polito, la professoressa Laura Gastaldi e il professor Stefano Pastorelli del gruppo di ricerca di Meccatronica e Servosistemi del DIMEAS, si propone di customizzare il supporto fornito rispetto alle esigenze del singolo utente, e del task da lui realizzato, basandosi sul riconoscimento dei gesti industriali. Al fine di raggiungere l’obiettivo prefissato, sono stati ideati due approcci di predizione in tempo reale della strategia di lifting scelta dall’operatore, basati, entrambi, su informazioni cinematiche misurate da sensori integrati nel dispositivo.
Lo sviluppo di questi metodi di predizione, realizzati grazie all’utilizzo di tecniche di machine learning e deep learning, permette di identificare tempestivamente il tipo di movimento performato dall’utente a partire da quando inizia a muoversi. In meno di 400 millisecondi dall’inizio del movimento, l’algoritmo è quindi in grado di riconoscere la tecnica di piegamento scelta dall’operatore, suggerendo l’opportuna modulazione del supporto da fornire all’utente da parte dell’unità di controllo.
Questa parte di identificazione del gesto di carattere innovativo si inserisce nel progetto di sviluppo di un prototipo di esoscheletro, ideato per supportare il tronco nel piano sagittale in un ambiente industriale. Esistono infatti compiti che, richiedendo precisione, destrezza e versatilità, sono eseguiti ancora oggi da lavoratori umani, che risultano così esposti a pesanti carichi di lavoro fisici. Gli esoscheletri industriali si presentano pertanto come dispositivi meccanici robotici indossati dagli utenti allo scopo di ridurre gli sforzi muscolari durante il gesto lavorativo. Scopo, questo, raggiungibile solo fornendo ai lavoratori del supporto in maniera intelligente, con una modulazione basata sui differenti metodi di movimento industriale e sulla loro corporatura.
Un sistema di sensori è stato infine integrato nel prototipo di esoscheletro per rilevare la cinematica dell’operatore e, sulla base di questa, per applicare logiche di controllo tarate sulle esigenze dello specifico utente e del task realizzato, al fine di modulare un’assistenza intelligente per il tronco durante la flessione.