A supportive, ergonomic, and human-aware human-robot collaboration framework

dc.commentsEE/2026/4569
dc.contributor.advisorSantos, Cristina
dc.contributor.advisorFerreira da Silva, Alexandre
dc.contributor.advisorGizzi, Leonardo
dc.contributor.authorCerqueira, Sara Maria Brito Araújo
dc.date.accessioned2026-09-23T15:00:49Z
dc.date.issued2026-07-09
dc.date.submitted2026-08
dc.description.abstractAs lesões músculo-esqueléticas relacionadas com o trabalho constituem um desafio socioeconómico significativo na manufatura moderna, impulsionado pela fadiga física, posturas inadequadas e envelhecimento da força de trabalho. Apesar da adoção crescente de robôs colaborativos, os sistemas atuais carecem de consciência dos estados fisiológicos e ergonómicos humanos, limitando a prevenção de lesões e a personalização da assistência. Esta tese propõe uma framework de colaboração humano–robô centrada no trabalhador, integrando sensorização vestível, perceção orientada por dados, avaliação ergonómica e controlo adaptativo. Foram desenvolvidas e validadas duas tecnologias de sensorização: uma peça de vestuário inteligente com unidades inerciais para monitorização do tronco e um sistema de eletromiografia de superfície em têxteis eletrónicos para análise da atividade muscular. Ambos asseguram qualidade de sinal fiável. Com base nestes dados, são explorados métodos de estimação de postura orientados por dados, reduzindo a dependência de modelos biomecânicos. O reconhecimento de posturas é integrado com métricas ergonómicas articulares e modelos de exposição cumulativa, resultando num pipeline que quantifica o risco ergonómico por postura. Para além disso, são desenvolvidos modelos de deep learning para estimação da fadiga muscular a partir de sinais de eletromiografia de superficie. Estas capacidades de perceção suportam estratégias de controlo centradas no ser humano, demonstradas num robô colaborativo. Uma estratégia de controlo agonista–antagonista redistribui a carga muscular de forma dinâmica, atrasando a progressão da fadiga, enquanto um controlador baseado em reinforcement learning se adapta às restrições ergonómicas e físicas do utilizador, assegurando assistência segura e personalizada. Adicionalmente, uma estratégia de controlo por admitância é implementada para otimizar a execução das tarefas e apoiar o treino de utilizadores iniciantes. A validação experimental demonstra que a framework proposta reduz o risco ergonómico e viabiliza uma colaboração humano–robô mais segura, inclusiva e informada por fatores ergonómicos.por
dc.description.abstractWork-related musculoskeletal disorders represent a major socio-economic challenge in modern manufacturing, driven by physical fatigue, awkward postures, and an aging workforce. Despite the increasing adoption of collaborative robots, current human–robot collaboration systems largely lack awareness of human physiological and ergonomic states, limiting their ability to prevent WRMSDs or provide inclusive and personalized assistance. This thesis addresses these limitations by proposing a human-aware HRC framework that integrates wearable sensing, data-driven perception, ergonomic assessment, and adaptive control. The work begins with the development and validation of two wearable sensing technologies: a smart garment equipped with inertial measurement units for upper-body motion tracking, and an e-textile surface electromyography system for muscle activity monitoring. Both systems demonstrate reliable signal quality and robustness while avoiding the cost and rigidity of proprietary solutions. Building on these foundations, data-driven pose estimation methods are introduced to reduce reliance on explicit biomechanical models. To enable interpretable ergonomic assessment, posture recognition is combined with joint-level ergonomic scoring and cumulative exposure modeling, resulting in a reporting pipeline that allows ergonomic risk to be continuously quantified, attributed to specific postures, and visualized for practitioners. Deep learning models are then developed to estimate subject-independent muscle fatigue from sEMG data. These perception capabilities are embedded into human-aware control strategies deployed on a collaborative robot. A fatigue-based agonist–antagonist control scheme dynamically redistributes muscular load to delay fatigue progression, while a reinforcement learning based controller learns user-specific ergonomic and physical constraints to provide safe and personalized assistance. An admittance-based control strategy further supports task quality and novice training through physically intuitive guidance. Experimental validation demonstrates that the proposed framework reduces ergonomic risk, supports personalized assistance, and enhances task execution quality, contributing to healthier, more inclusive, and ergonomically informed human–robot collaboration.eng
dc.description.sponsorshipFundação para a Ciência e para a Tecnologia (FCT) - SFRH/BD/151382/2021
dc.identifier.tid101703082
dc.identifier.urihttps://hdl.handle.net/1822/103723
dc.language.isoeng
dc.relationA supportive, ergonomic and Human-aware framework for Human-Robot collaboration [SFRH/BD/151382/2021]
dc.rightsopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectColaboração humano-robô
dc.subjectergonomia
dc.subjectinteligência artificial
dc.subjectsensores vestíveis
dc.subjectHuman–robot collaboration
dc.subjectergonomics
dc.subjectartificial intelligence
dc.subjectwearable sensors
dc.subject.fosEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
dc.titleA supportive, ergonomic, and human-aware human-robot collaboration frameworkeng
dc.typedoctoralThesis
dspace.entity.typePublication
oaire.awardNumberSFRH/BD/151382/2021
oaire.awardTitleA supportive, ergonomic and Human-aware framework for Human-Robot collaboration [SFRH/BD/151382/2021]
oaire.awardURIhttps://hdl.handle.net/1822/101294
oaire.funderIdentifierhttp://doi.org/10.13039/501100001871
oaire.funderNameFundação para a Ciência e a Tecnologia, I.P.
relation.isProjectOfPublication59687fc2-4c62-458d-b38d-31a69c3d4bfa
relation.isProjectOfPublication.latestForDiscovery59687fc2-4c62-458d-b38d-31a69c3d4bfa
sdum.degree.gradeMuito bom
sdum.uoeiEscola de Engenharia
thesis.degree.grantorUniversidade do Minhopor
thesis.degree.nameDoutoramento em Engenharia Electrónica e de Computadores (especialidade em Controlo, Automação e Robótica)

Ficheiros

Pacote original

A mostrar 1 - 1 de 1
A carregar...
Nome:
Sara Maria Brito Araujo Cerqueira.pdf
Tamanho:
210.44 MB
Formato:
Adobe Portable Document Format