ment et de la pratique. Toute mauvaise interprétation peut freiner le processus d’apprentissage. Une assistance informative, sous forme de conseils, peut accroître la connaissance machine, tandis que l’adapta-tion du comportement du robot impacte directement la motricité. Les travaux existants précédemment évoqués ne s’attachent pas à faire cette distinction.
Hypothèse 2: Amélioration de la qualité de vie au travail Nous en arrivons à notre second postulat : la mise à disposition d’une assistance automatisée, en ligne, multimodale et person-nalisée au profil de chaque opérateur favorise une meilleure qualité de vie au travail.
Afin de valider nos hypothèses, nous présentons une résolution en 3 étapes.
1.3 contributions
Dans ce travail de thèse, nous proposons de participer à l’améliora-tion de la relal’améliora-tion humain-cobot ; pour ce faire, nous exposons deux contributions majeures et une phase expérimentale, qui répondent aux questions de recherche suivantes :
— Comment caractériser le profil utilisateur de façon non intrusive et dynamique ?
• A partir de quelles données pouvons-nous inférer des in-formations sur le profil ?
• Comment choisir une mesure représentative des attributs du profil ?
• Comment lier la représentation du profil aux axes d’amé-lioration des conditions de travail ?
— Comment procurer une assistance automatique, personnalisée à l’opérateur, en ligne et multimodale ?
• Comment exploiter le profil dynamiquement pour adapter l’assistance à la personne ?
• Comment prendre en compte les variations entre chaque individu ?
• Comment associer les modalités pour renforcer l’impact de l’assistance ?
1.3.1 Contribution 1 : Méthodologie de représentation du profil utilisateur Le travail de recherche sur le postulat 1 consiste à déterminer les points d’amélioration du bien-être au travail. A ce jour, les méthodes
d’élaboration du profil humain font appel à des équipements d’obser-vation spécialement installés dans l’environnement du sujet (caméras, combinaisons, etc.). Ces matériels peuvent induire un stress et dès lors un biais sur les résultats. Pour pallier cette problématique, nous proposons la démarche suivante :
— Distinction de deux types de profil : le profil général, composé des attributs non spécifiques à la tâche tels que la taille, l’âge et la fatigue (qui sont majoritairement fixes ou à variation lente) et le profil d’exécution de la tâche comprenant par exemple l’exper-tise et l’activité de l’utilisateur.
— Production de deux sources de données pour inférer des infor-mations sur chaque type de profil :
• Questionnaires, pour les caractéristiques générales des uti-lisateurs.
• Données proprioceptives
Les données proprioceptives sont des informations sur l’état interne du robot (vitesse, position, etc.). Elles ne tiennent pas compte de l’environnement.
du robot, pour les caractéristiques techniques de la tâche, qui évoluent rapidement au cours du temps.
— Élaboration d’une méthodologie qui, en 3 étapes, permet d’ex-traire des informations haut niveau sur le profil de tâche de l’utilisateur à partir des signaux bruts du robot. Nous l’appli-quons à l’expertise :
• Classification des compétences nécessaires à la bonne exé-cution de la tâche.
• Définition d’indicateurs de compétences, appréciés sur les signaux bruts du robot.
• Introduction d’une mesure de distance au comportement de référence.
— Généralisation aux autres attributs du profil de tâche par l’exemple. De par sa conception hiérarchisée, notre méthodologie d’évaluation du profil de tâche est explicable : elle met en évidence les axes de progression sur lesquels il convient de travailler pour une meilleure qualité de vie au travail.
1.3.2 Contribution 2 : Conception d’une assistance personnalisée au profil de compétence
L’objectif du postulat 2 est de mettre à contribution les données recueillies précédemment afin de procurer une assistance personna-lisée à l’opérateur pour l’amélioration de ses conditions de travail. Ainsi, nous proposons dans cette seconde contribution une approche hybride d’assistance basée sur la synergie entre :
— Une ontologie de profil et d’assistance, représentation symbo-lique des connaissances associée au raisonnement. Cette der-nière, conçue spécifiquement pour notre application, est alimen-tée en ligne par les informations du profil de compétence ainsi
1.3 contributions 13
que par la connaissance experte de l’adéquation entre le niveau de compétence et l’assistance.
— Un algorithme d’apprentissage par renforcement (Q-Learning) centré sur l’humain assure une mise à jour en ligne de l’assis-tance, en prenant en compte l’amélioration des compétences et l’avis de l’opérateur. Il permet de tenir compte des variations du comportement de l’homme. Néanmoins, l’espace état-action de l’algorithme est conséquent et allonge le temps de convergence ; ainsi nous proposons de le réduire par l’acquisition d’une liste d’assistances pertinentes adaptées au profil, délivrée par l’onto-logie. Les assistances proposées dans les travaux de la littéra-ture sont essentiellement des modifications du comportement du robot. Nous proposons d’enrichir l’assistance motrice ou robotique par une assistance informative. Nous étendons en conséquence l’algorithme Q-Learning à un tuple d’actions, en
affectant une Q-table à chaque type d’assistance. Enfin, afin de Une Q-table est un tableau associant à chaque couple état-action une valeur.
minimiser les interférences avec le travail des opérateurs, nous pré-entraînons l’algorithme Q-Learning à l’aide d’un simula-teur, qui nous permet également de valider partiellement notre approche.
A l’issue de la conception du nouvel algorithme d’assistance, nous passons à la phase expérimentale.
1.3.3 Contribution 3 : Expérimentations en conditions réelles
Cette troisième contribution consiste en la validation des hypo-thèses formulées au travers d’expérimentations en conditions réelles. Pour ce faire, nous proposons la mise en place des 3 cas d’usage dé-crits précédemment, à savoir ⌥, ⌃ et ⇤ pour produire les données sur lesquelles notre travail s’appuie. Nous appliquons ensuite les ap-proches développées dans nos deux premières contributions : nous élaborons le profil de compétence des participants et procurons pour le cas d’application ⇤ une assistance au groupe expérimental.
Notre expérimentation porte sur trois cas d’application de collabo-ration humain-robot avec contact physique direct et indirect. Nous avons fait appel à trois groupes :
— 9 personnes pour le cas d’usage ⌥, qui ont répété 30 fois la tâche,
— 6 personnes pour le cas d’application ⌃, qui ont répété 20 fois la tâche,
— 22 personnes pour le cas d’usage ⇤. Ce groupe est divisé en deux sous-groupes : contrôle et expérimental. Ce dernier a reçu l’assistance que nous proposons dans la seconde contribution. La tâche a été répétée 32 fois.
A partir de ces données, nous proposons une démarche de valida-tion des contribuvalida-tions en 3 étapes :
— Pertinence des indicateurs de compétence pour distinguer un novice d’un expert
— Cohérence du niveau de compétence estimé — Impact de l’assistance
• Sur le niveau de compétence • Sur la perception des utilisateurs
Au travers des ces points, nous montrons que notre méthodologie non intrusive et dynamique de caractérisation du profil permet de représenter les compétences de l’utilisateur dans le cadre d’une colla-boration humain-robot avec contact physique direct et indirect. Nous vérifions également l’effet positif de notre approche d’assistance sur la montée en compétence des utilisateurs.
Publications
Nos contributions ont fait l’objet de 2 publications dans des confé-rences internationales :
Blanchet, K., Kchir, S., Bouzeghoub, A., Lebec, O., & Hède, P. (2019, December). From Raw Signals to Human Skills Level in Physical Human-Robot Collaboration for Advanced-Manufacturing Applica-tions. In International Conference on Neural Information Processing (pp. 554-565). Springer, Cham.
Blanchet, K., Bouzeghoub, A., Kchir, S., & Lebec, O. (2020, Octo-ber). How to Guide Humans Towards Skills Improvement in Physi-cal Human-Robot Collaboration Using Reinforcement Learning ?. In 2020 IEEE International Conference on Systems, Man, and Cyberne-tics (SMC) (pp. 4281-4287). IEEE.
Nos travaux réalisés dans le cadre du projet européen HORSE1ont également fait l’objet d’une publication dans un congrès internatio-nal :
Blanchet, K., Lebec, O., Leroux, C., & Bouzeghoub, A. (2018, Ja-nuary). Situation Awareness for Collaborative Robotics in Manufac-turing Applications, Feasibility Study. In European Congress on Em-bedded Real Time Software and Systems.