Robotique Collaborative et Ergonomie : Adaptation du Mouvement Centrée sur l'Utilisateur – ROOIBOS

L'objectif est de proposer une méthodologie permettant de planifier les actions d’un cobot pour minimiser la fatigue physique à long terme de l’utilisateur, tout en tenant compte des incertitudes sur la réaction posturale de l’humain et sur l’état de fatigue estimé. Cette méthode se base sur 3 éléments :

- le cadre formel POMDP (Partially Observable Markov Decision Process) qui permet la planification de stratégies à long terme et dans l’incertain, en observabilité partielle ;

- un simulateur d’humain numérique basé sur un moteur physique qui permet de calculer les couples articulaires de l’humain lors d’un mouvement en réaction à une action du robot, ce qui est nécessaire pour anticiper le coût des différentes actions possibles. Ce simulateur s'appuie sur une technique de commande par optimisation LQP (linear quadratic programming) qui permet de générer des mouvements corps-complet de l'humain simulé (ainsi que les efforts internes associés) à partir de description haut niveau de tâches à effectuer (par exemple maintenir son équilibre, suivre une trajectoire avec une main). Cette technique permet également de simuler différentes manière d'effectuer le geste (i.e. différentes stratégies posturales)  en jouant sur les éléments inclus dans la fonction objectif (par exemple, pénaliser la déviation du dos de la verticale, pénaliser les mouvements de certaines articulations par rapport à d'autres) ;

- un modèle de fatigue de la littérature qui permet d’estimer une fatigue physique en fonction des couples articulaires exercés par l’humain. La combinaison de ce modèle avec le simulateur mentionné ci-dessus permet d'estimer la fatigue physique, au niveau des différentes articulations de l'humain, engendrée par chacune des réactions posturales possibles de l'humain à chaque action possible (pose de présentation d'un objet dans notre cas d'application) du cobot. Cette fatigue prédite est alors utilisée pour résoudre le problème POMDP et calculer la politique optimale du cobot.

L'approche proposée a été validée en simulation, sur une tâche exemple. Nous avons comparé ses performances, en termes de réduction de la fatigue physique accumulée au cours d'une tâche répétitive, avec d'autres politiques possibles pour le comportement du robot : une politique fixe (faire toujours la même action), une politique cyclique (alternance entre les différentes actions possibles), une politique aléatoire, et une politique "myope" (optimisation de la fatigue sur un horizon d'un cycle, donc court terme uniquement). Nous avons montré que l'approche proposée basée sur une optimisation à long terme permet de réduire de manière significative la fatigue accumulée par rapport à toutes les autres politiques, en particulier lorsque la tâche est très répétitive (grand nombre de cycles). Nous avons montré cela pour différentes situations d"incertitudes : avec et sans incertitude sur l'état de fatigue initial de l'humain, et dans le cas d'un choix de réaction posturale par l'humain qui soit soit déterministe (sans incertitude), soit stochastique (avec incertitude).

Une validation expérimentale de cette approche est en cours.

Ce projet ouvre de nombreuses perspectives de recherche sur la personnalisation de l'assistance robotique au geste professionnel, et la prise en compte de la variabilité du geste humain en cobotique.

Les robots collaboratifs peuvent réduire les troubles musculosquelettiques en diminuant les efforts des ouvriers, mais aussi en modifiant leur posture pour l'améliorer. Toutefois, imposer à l'homme une modification soudaine de son mouvement peut nuire à l'acceptabilité et l'efficacité de la collaboration avec le robot. ROOIBOS vise à développer un outil qui permettra de planifier les trajectoires de robots collaboratifs pour optimiser progressivement la santé à long terme de l'utilisateur. Nous utiliserons de l'apprentissage automatique et les méthodes probabilistes pour effectuer des prédictions personnalisées du mouvement humain. Nous développerons des métriques pour évaluer l'ergonomie et l'intuitivité d'un mouvement. Nous intégrerons ces éléments dans une simulation avec un humain numérique, afin de planifier une adaptation progressive du mouvement du robot qui tienne compte des spécificités de l'utilisateur. Enfin, nous utiliserons des techniques de prise de décision sous incertitudes, pour adapter en ligne le plan calculé aux capacités d’adaptation de l'utilisateur. Ceci facilitera le déploiement de ces robots dans l'industrie.