Muscle fatigue and task quality management control strategies for HRC

Abstract

Muscle fatigue is one of the main causes of musculoskeletal diseases in industry, which arise from performing tasks that require physical effort and that are performed for long periods of time. The economic impact of WRMSDs in Europe is huge, estimated at EUR 240 billion. Therefore, it is crucial to introduce collaborative robots in industry, that have control strategies integrated into their framework, to prevent muscle fatigue during repetitive tasks. Also, it is important to explore control strategies for task quality management and leverage Human-Robot Collaborations to reduce the learning curve of unskilled workers and enhance productivity. This dissertation proposal aims to develop a control strategy to be integrated in a HRC framework already implemented, in order to manage muscle fatigue and decrease the risk of occurrence of WRMSDs with this cause. Furthermore, this dissertation presents the first steps towards implementing a quality management strategy in a collaborative task. The assessment of DMPs demonstrated their ability to learn and generate a trajectory executed with a collaborative robot. Also, revealed the advantages of using DMPs to teach the robot a task so that, it will be able to correct the operator in case the task is performed incorrectly, thus improving productivity. To estimate in real time, the level of muscular fatigue of a subject and allow the collaborative robot to assist when the human partner is starting to become fatigued, several neural network architectures were explored. The deep learning models were fed with sEMG data acquired during exercises that activated the upper body muscles. The best results were achieved with the bidirectional LSTM model, which reached an F1-score of 89.66% in the test. As a pilot strategy to prevent or delay the onset of muscle fatigue, an agonist/antagonistic control was implement in the HRC framework, the efficiency of the developed control was validated with a UR10e collaborative robot, performing the same collaborative task with and without the control strategy activated.

A fadiga muscular é uma das principais causas de lesões musculoesqueléticas na indústria, que surgem a partir da execução de tarefas que exigem esforço físico e que são executadas por longos períodos de tempo. O impacto económico das LMERT na Europa é estimado em 240 mil milhões de euros. Desta forma, é crucial introduzir robôs colaborativos, com estratégias de controlo integradas na sua estrutura, para prevenir a fadiga muscular durante tarefas repetitivas. Além disso, é importante explorar o controlo para gestão da qualidade de tarefas, aproveitando as colaborações entre humanos e robôs para reduzir a curva de aprendizagem de trabalhadores não qualificados e consequentemente aumentar a produtividade. A presente proposta de dissertação visa desenvolver uma estratégia de controlo a ser integrada numa framework já implementada, de forma a gerir a fadiga muscular e diminuir o risco de ocorrência de LMERT com esta causa. Além disso, esta dissertação apresenta os primeiros passos para a implementação de uma estratégia de gestão da qualidade numa tarefa colaborativa. A avaliação das DMPs demonstrou a capacidade das mesmas para aprenderem e gerarem uma trajetória executada com um robô colaborativo. Além disso, revelou as vantagens de utilizar DMPs para ensinar uma tarefa ao robô para que este possa, posteriormente, corrigir o operador caso a tarefa colaborativa esteja a ser executada incorretamente, melhorando assim a produtividade. Para estimar em tempo real o nível de fadiga muscular de um sujeito e permitir que o robô colaborativo assista quando o parceiro humano atinge fadiga muscular, foram exploradas diversas arquiteturas. Os modelos de Deep Learning foram alimentados com dados sEMG adquiridos durante exercícios que ativaram os músculos da parte superior do corpo. Os melhores resultados foram alcançados com o modelo LSTM bidirecional, que atingiu F1-score de 89,66% no teste. Como estratégia para prevenir ou retardar o aparecimento da fadiga muscular, foi implementado na framework um controlo agonista/antagonista, a eficiência do controlo desenvolvido foi validada com o robô colaborativo UR10e, realizando a mesma tarefa colaborativa com e sem a estratégia de controlo.