Autocalibrazione di robot paralleli a cavi

I robot paralleli azionati da cavi (CDPR) utilizzano diversi cavi collegati a un end-effector (EE) per eseguire operazioni di manipolazione. Grazie all'elevato rapporto potenza/peso, facile scalabilità e riconfigurabilità, i CDPR rappresentano una soluzione efficace per operazioni su larga scala, come lavori sulle facciate degli edifici. In queste applicazioni, i punti di attacco possono essere spostati per adattare lo spazio di lavoro a operazioni specifiche, permettendo versatilità con minore complessità meccanica. Tuttavia, nei CDPR la natura unilaterale dei cavi rende i vincoli attivi solo con tensioni positive. Nelle architetture sovravincolate, le tensioni positive possono essere garantite attraverso strategie di controllo ibrido posizione/forza. Sebbene efficaci, tali approcci sono sensibili a imprecisioni di modellazione, disturbi dei sensori e incertezze dei parametri, condizioni rilevanti nei sistemi riconfigurabili e in ambienti non strutturati come i cantieri edili. Inoltre, a ogni riconfigurazione, i parametri di modello devono essere ricalibrati. Poiché i CDPR si affidano solitamente a sensori relativi, una stima accurata della posa iniziale è critica per un funzionamento affidabile. Questa tesi affronta tali problematiche attraverso due linee di ricerca. La prima si concentra sull'analisi dello spazio di lavoro per CDPR sovravincolati con controllo ibrido, considerando la robustezza rispetto a errori di controllo e misurazione. L'analisi ha portato alla definizione del Wrench-Feasible Error-Insensitive Workspace (WFEIW), il sottoinsieme dello spazio di lavoro classico in cui precisione di posizionamento e distribuzioni delle tensioni sono garantite anche in presenza di incertezze. La seconda linea riguarda l'autocalibrazione dei CDPR, concentrandosi sulla stima della posa iniziale dell'EE tramite soli sensori interni. Il problema è analizzato in condizioni di limitata osservabilità e grandi incertezze di misura. Sono introdotte procedure per ridurre i tempi di acquisizione dati. Infine, l'impatto di errori di misura e modello è studiato tramite analisi Monte Carlo, esplorando strategie di autocalibrazione online per ridurre i tempi mantenendo l'accuratezza.