At bottom, robotics is about us. It is the discipline of emulating our lives, of wondering how we work.Rod Grupen 3 4
SommarioLo scopo di questa tesi è di esplorare la possibilità di utilizzare i segnali elettromiograci (EMG) per allenare un modello di probabilità a componenti gaussiane (Gaussian Mixture Model) che riesca a stimare in tempo reale l'angolo di curvatura di un singolo giunto del corpo umano.Le informazioni del segnale sono state estratte utlizzando due approcci: il primo facente uso di trasformate nel dominio del tempo e nel dominio della frequenza, mentre il secondo utilizza la trasformata wavelet di cui è stata approfondita la migliore congurazione.Le funzioni wavelet di Daubechies Db2, Db4, Db6, Db7, Db44, Db45 sono state applicate ai segnali EMG corrispondenti a diversi muscoli della gamba a cui è seguita una aggregazione statistica dei dati da usare come input per la creazione del modello.Il modello GMM è stato validato su dati sconosciuti e le prestazioni sono state confrontate in base alla funzioni mother wavelet scelte per il calcolo della trasformata ed al numero di ripetizioni usate durante la fase di allenamento.La procedura migliore è stata utilizzata come base per sviluppare un software scritto in linguaggio C++ in grado di interfacciarsi con un robot umanoide a cui è stato fatto eseguire il movimento corrispondente a quello di una persona. Il software è stato sviluppato sotto forma di modulo ROS separando le varie fasi di elaborazione: generazione del segnale, acquisizione del segnale, analisi nel tempo e nella frequenza, sottomissione al modello e comunicazione del movimento al robot. Ogni fase è stata vericata indipendentemente dalle altre in modo da individuare la congurazione migliore per ciascuna. Il sistema è stato testato su un robot modello Aldebaran NAO.I risultati ottenuti mostrano come la procedura sia in grado di ottenere alte Achieved results showed that our procedure is able to obtain high perfor-