Thèse : Modèle biomécanique pour l'amélioration et la sécurisation de l'interaction humain-robot

Résumé

L’interaction physique entre humains et robots (pHRI) devient nécessaire dans certains domaines, comme l’industrie et la médecine. En effet, la robustesse, la répétabilité et la précision des robots ne suffisent pas à réaliser les tâches de plus en plus complexes qui s’imposent. Elles nécessitent également la supervision de l’humain pour bénéficier de son adaptabilité et de son analyse des situations. De plus, la réalisation de certaines tâches physiques entraînent des troubles musculosquelettiques (TMS). C’est donc pour améliorer les performances lors de tâches motrices et pour améliorer la santé et la sécurité des opérateurs humains les réalisant que la pHRI, et plus particulièrement la collaboration physique humain-robot (pHRC), sont étudiées par les chercheurs.

Le travail de thèse présenté s’inscrit dans cadre global. La collaboration physique entre un humain et un robot est un sujet dont les chercheurs s’emparent de différentes façons. L’une d’entre elles, encore peu prédominante, consiste en l’étude préalable de la collaboration entre deux humains, c’est-à-dire en le fait de centrer les travaux de robotique sur l’humain. En effet, la pHRC est la collaboration la plus naturelle et confortable pour les êtres humains, comme cela a pu être relevé par certains sujets préférant un partenaire humain à un partenaire robotisé. L’objectif de cette thèse était donc d’étudier des spécificités et stratégies mises en place lors de la collaboration entre humains pour les transférer à une collaboration humain-robot. Dans cette optique, nous avons défini une tâche collaborative de pick-and-place, avec certains paramètres variables comme la masse de l’objet, réalisée par 30 dyades, c’est-à-dire par 30 binômes de sujets. Il a été démontré qu’il existe une variabilité inter-dyade du comportement lors de cette tâche, pouvant compliquer la modélisation du comportement humain, et que certains paramètres variables n’ont pas eu d’impact sur les performances des sujets. Ces conclusions ont permis de construire une modélisation du comportement humain à l’aide d’outils de contrôle optimal inverse (IOC). La capacité du modèle résultant à être généralisé a été analysée et a permis de conclure que son utilisation dans des travaux de prédiction de trajectoires était justifiée. La méthode de prédiction alors développée consistait en la considération du comportement passée pour estimer le comportement futur sur une fenêtre temporelle glissante. Cette approche a pour objectif, dans des travaux futurs, de rendre le robot avec lequel l’humain collaborerait plus proactif afin qu’il puisse anticiper les mouvements humains et améliorer ainsi le confort et la sécurité de l’humain.

Abstract

Physical human–robot interaction (pHRI) is becoming essential in several domains, such as industry and medicine. The robustness, repeatability, and precision of robots are no longer sufficient to meet the growing complexity of required tasks. These tasks also demand human supervision to leverage human adaptability and situational assessment. Furthermore, performing certain physical tasks can lead to musculoskeletal disorders (MSDs). Consequently, pHRI—and in particular physical human–robot collaboration (pHRC)—is being actively investigated to enhance performance in motor tasks while improving the health and safety of human operators.

The doctoral work presented here is part of this broader research effort. Physical collaboration between a human and a robot is a topic that researchers approach in various ways. One approach, still relatively underexplored, consists of first studying collaboration between two humans—that is, placing human behavior at the center of robotics research. Indeed, pHRC is the most natural and comfortable form of collaboration for humans, as evidenced by subjects who report preferring a human partner over a robotic one. The objective of this thesis was therefore to identify specific features and strategies emerging during human–human collaboration and to transfer them to human–robot collaboration.

To this end, we defined a collaborative pick-and-place task, with variable parameters such as object mass, and conducted the experiment with 30 dyads (pairs of subjects). The results demonstrated substantial inter-dyad variability in behavior during the task, which can complicate the modeling of human behavior, and revealed that some of the variable parameters had no measurable effect on task performance. These findings enabled the construction of a human behavior model using inverse optimal control (IOC) methods. The generalizability of the resulting model was evaluated and showed that its use for trajectory prediction was well justified.

The prediction method developed consisted of leveraging past behavior to estimate future behavior within a sliding temporal window. The long-term goal of this approach is to make the robot partner more proactive, capable of anticipating human motion, and thereby improving human comfort and safety during collaboration.