Implementazione di Algoritmi di Pianificazione del Movimento per Robot Ridondanti nell’Assistenza Sanitaria: Il Caso del Robot TiaGo

This thesis analyzes the implementation of motion planning algorithms for re- dundant robots, with a focus on the TIAGo robot from PAL Robotics, in complex scenarios such as rehabilitation environments. The goal is to improve autonomy and performance in pick-and-place tasks through the use of various motion planning algorithms. In the initial phase, the RRT and RRT* (RRT star) algorithms were implemented and tested separately. The RRT algorithm showed good results, demonstrating flexibility in parameter variations. However, the RRT* algorithm encountered difficulties in finding a valid path, which could be due to non-optimal parameters or the limitations in the degrees of freedom of the robot arm’s joints. Specifically, the RRT* algorithm failed to generate optimal paths and avoid collision geometries. In response to these results, I decided to combine the RRT algorithm, which had already demonstrated the ability to generate valid paths, with the RRT* algorithm. The goal was to leverage the effectiveness of RRT to find an initial path and then optimize it with RRT*. This strategy provided an optimized and shorter trajectory for the pick-and-place task. These results highlight the challenges associated with combining different planning algorithms for motion optimization in complex environments. Future work could focus on implementing these algorithms to achieve safer and more optimal paths for robotic systems in dynamic environments and complex structures.

Questa tesi analizza l’implementazione di algoritmi di pianificazione del movimento per robot ridondanti, con particolare attenzione al robot TIAGo di PAL Robotics, in scenari complessi come quelli riabilitativi. L’obiettivo è migliorare l’autonomia e le prestazioni in compiti di pick-and-place attraverso l’uso di vari algoritmi di pianificazione del movimento. Nella fase iniziale, sono stati implementati e testati separatamente gli algoritmi RRT e RRT* (RRT star). L’algoritmo RRT ha dato buoni risultati, mostrando buona flessibilità alle variazioni dei parametri; tuttavia,l’algoritmo RRT* (RRT star) ha incontrato difficoltà nel trovare un percorso valido. Questo potrebbe essere dovuto a parametri non ottimali o alle limitazioni nei gradi di libertà dei giunti del braccio robotico (Joint). In particolare, l’algoritmo RRT* non è riuscito a generare percorsi ottimali ed evitare le geometrie di collisione; di fronte a questi risultati, ho deciso di combinare l’algoritmo RRT, che aveva già mostrato la capacità di generare percorsi validi, con l’algoritmo RRT*. L’obiettivo era sfruttare il risultato efficace dell’RRT per trovare un percorso iniziale, successivamente ottimizzarlo con RRT*, questa strategia ha fornito una traiettoria ottimizzata e piu breve per il pick and place . Questi risultati mettono in luce le sfide legate alla combinazione di diversi algoritmi di pianificazione per l’ottimizzazione del movimento in ambienti complessi. I lavori futuri potrebbero essere incentrati sull’implementazione di questi algoritmi per ottenere percorsi più sicuri e ottimali per l’uso di sistemi robotici in ambienti dinamici e strutture complesse.