• robot
• Manipulation
• human-like grasp strategies
• soft antropomorphic end effector

Negli ultimi anni è emersa la necessità di afferrare oggetti con sempre maggiore precisione e flessibilità nelle applicazioni robotiche, e garantire la human-likeness e quindi la predicibilità dell'azione, in ambienti in cui uomini e robot condividono lo stesso spazio di lavoro. Il presente contributo si basa su un sistema di visione, Realsense2, fondato su reti neurali CNN YOLOv8, per migliorare le capacità di grasping di oggeti da parte di mani robotiche deformabili, antropomorfe, e sottoattuate, integrate con manipolatori.
Lo scopo principale della rete è quello di stimare la Posa 6D dell'oggetto inquadrato, tramite object detection, e di determinare la primitiva di grasp corretta tra 5 diverse con più alta confidenza, su un dataset di 12 primitive scelte a partire da una tassonomia di prese degli esseri umani.
Le primitive vengono implementate in maniera da garantire movimenti Human-Like del manipolatore, ed eseguite mediante la mano robotica Soft-Hand 2, una mano antropomorfa sottoattuata con due gradi di attuazione, per realizzare le 12 primitive scelte su oggetti di diversa forma e dimensione.