Fully integrated force sensing for improved control of manipulators

Thumbnail Image

Files

master_Jalokinos_Daniel_2025.pdf (11.63 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Electrical Engineering | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-10-31

Department

Major/Subject

Control, Robotics and Autonomous Systems

Mcode

Degree programme

Master's Programme in Automation and Electrical Engineering
Automaation ja sähkötekniikan maisteriohjelma
Magisterprogrammet i automation och elektroteknik

Language

en

Pages

97

Series

Abstract

In industrial automation, a variety of manipulators are used to manipulate matter, often with robots. Manipulators are commonly used in processes with sensors to enable better interaction with the environment. The addition of sensors has expanded the range of automated tasks, but a substantial portion of tasks are still seen as non-viable for automation. Many of these tasks are seemingly simple for humans but actually require constant subconscious fine-motor corrections. These can be identified as manipulation tasks that are made difficult by wearing gloves, as they require touch-based adjustment – or force control based on point-of-contact sensors. The goal of this thesis is to develop and evaluate a point-of-contact force sensing system that improves the control of manipulators in these tasks. Fully 3D-printable manipulator fingers with embedded force sensors were developed as no suitable off-the-shelf solutions were available. Data usability was demonstrated by including a machine learning model in the control loop of an industrial robot. The system was characterized and then evaluated in three tasks: detecting a grasped object size and orientation, and a peg-in-hole task. Supervised ML algorithms were used in grasp detection tasks, where the object size was detected with a 99% accuracy from 11 objects in 1 mm size steps, and the orientation was detected across a ±45° range discretized at 1° steps with 100% accuracy within a ±1° tolerance. Reinforcement learning was used in the peg-in-hole task, which was made to represent an assembly task with a positional error of ±2.0 mm. The task space was discretized in 0.25 mm steps with a goal tolerance of ±0.25 mm per axis. The model was trained on synthetic data and tested on real data, resulting in a step-to-goal value of roughly 2.5 for both, where a random policy would require an excess of 35 steps. The key issues affecting the results were identified in the system manufacturing processes and are addressed for future research. The results of the experiments and the details for replicating the system are presented.

Teollisuusautomaatiossa manipulaattoreita käytetään laajasti – usein myös robottien työpäinä. Näissä prosesseissa käytetään usein antureita mahdollistamaan vuorovaikutus ympäristön kanssa. Antureiden käyttö on mahdollistanut yhä useamman työtehtävän automatisoinnin, jättäen kuitenkin myös merkittävän määrän tehtäviä automaation ulkopuolelle. Monet näistä tehtävistä vaikuttavat ihmisille yksinkertaisilta, mutta todellisuudessa vaativat jatkuvia alitajuntaisia hienomotorisia korjausliikkeitä onnistuakseen. Nämä työvaiheet ovat sellaisia, joiden teko vaikeutuu huomattavasti käytettäessä hanskoja, sillä ne vaativat sormien tuntoaistin perusteella tehtäviä korjausliikkeitä – tai voimaohjausta kontaktipisteen voima-anturoinnin perusteella. Tämän diplomityön tavoitteena on kehittää kontaktipisteen voima-anturointijärjestelmä, joka parantaa manipulaattorin ohjausta. Työ sisältää täysin 3D-tulostettujen tarttujan sormien kehityksen integroiduilla voima-antureilla, koska sopivia valmiita ratkaisuja ei ollut saatavilla. Datan käyttökelpoisuus osoitettiin sisällyttämällä koneoppimismalli teollisuusrobotin ohjaussilmukkaan. Järjestelmä karakterisoitiin, sekä sen toimivuus arvioitiin kolmella tehtävällä: kappaleen koon (11 kappaletta, 1 mm välein) ja orientaation (90° alue, 1° välein) tunnistus tarttumishetkellä, sekä toiminta yksinkertaisessa kokoonpanotehtävässä. Kappaleen tarkka koko tunnistettiin ohjattua koneoppimista käyttäen 99% tarkkuudella ja orientaatio 100% tarkkuudella ±1° toleranssilla. Kokoonpanotehtävässä kappale asetetaan aukkoon, jonka sijainti tunnetaan ±2,0 mm tarkkuudella per akseli. Työalue diskretisoitiin 0,25 mm välein ja onnistunut insertio sallii enintään ±0,25 mm akselikohtaisen paikotusvirheen. Vahvistusoppimismalli koulutettiin tehtävään synteettisellä datalla ja testattiin oikealla mittausdatalla. Malli vaati keskimäärin noin 2,5 yritystä onnistuneeseen insertioon sekä koulutus-, että testidatalla, kun taas satunnaistoimintamalli vaatii noin 35 yritystä. Työssä esitetään askeleet järjestelmän replikointiin, testien tulokset, sekä ehdotus jatkotutkimusta varten.

Description

Supervisor

Vujaklija, Ivan

Keywords

manipulator, control, robot, industrial automation, industrial robotics, machine learning, force control, force sensor, strain gauge, 3d-printed strain gauge

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202512159200

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC