- Cet évènement est passé.
Soutenance de thèse de Aya Yaacoub
3 février 2026 @ 9:30 am - 13:00 pm
The thesis is entitled
« Mitigating Musculoskeletal Disorders: Cobot Behavior Planning for Human Fatigue Reduction in Repetitive Tasks ».
The defense will be followed by a Lebanese pot in the space adjacent to room C005.
Jury Members:
Reviewers:
Caroline Chanel Professor, University of Toulouse
Arash Ajoudani Researcher, Italian Institute of Technology
Examinator:
Arash Ajoudani Researcher, Italian Institute of Technology
Examinator:
David Daney Researcher, INRIA-University of Bordeaux
Supervisors:
Supervisors:
Francis Colas (director) Researcher, INRIA-Nancy-Grand Est
Pauline Maurice (co-director) Researcher, LORIA-CNRS
Vincent Thomas (supervisor) Professor, University of Lorraine
Pauline Maurice (co-director) Researcher, LORIA-CNRS
Vincent Thomas (supervisor) Professor, University of Lorraine
Short Summary:
Work-related Musculoskeletal Disorders (WMSDs) are among the most common work-related disorders in industry, leading to detrimental consequences for workers and high health care costs for them, their companies and insurers. With the promise of more collaborative robots (cobots) working in direct interaction with humans and having the ability to influence their motion, a research direction investigating the use of cobots to reduce the risk of WMSDs in industry has emerged. Most industrial tasks are repetitive and put the human at the risk of repetitive motion which is one of the prevalent WMSD risk factors in industry. Repetitive motion results in localized physical fatigue. Inspired by work from literature, we consider fatigue as an indirect indicator of WMSD risk in repetitive tasks. We propose a POMDP-based framework for controlling the cobot behavior for the objective of minimizing long-term fatigue during a repetitive task. This framework allows to account for uncertainty around the human motor behavior and the lack of observability of fatigue while performing long-term planning. We provide evidence about the importance of planning for fatigue mitigation through some simulated experiments. Then, we propose a method to discretize the continuous cobot action space. Finally, we describe an experimental procedure that can help test our approach in a real scenario.
————————————————————————————————————-
(Version Française)
La thèse s’intitule
» Réduire les troubles musculo-squelettiques : planification du comportement d’un cobot pour minimiser la fatigue de l’humain dans des tâches répétitives « .
La soutenance sera suivie d’un repas libanais dans l’espace adjacent à la salle C005.
Membres du jury :
Rapporteurs :
Caroline Chanel Professor, University of Toulouse
Arash Ajoudani Researcher, Italian Institute of Technology
Examinateur :
Arash Ajoudani Researcher, Italian Institute of Technology
Examinateur :
David Daney Researcher, INRIA-University of Bordeaux
Encadrents :
Encadrents :
Francis Colas (directeur) Researcher, INRIA-Nancy-Grand Est
Pauline Maurice (co-directrice) Researcher, LORIA-CNRS
Vincent Thomas (encadrent) Professor, University of Lorraine
Pauline Maurice (co-directrice) Researcher, LORIA-CNRS
Vincent Thomas (encadrent) Professor, University of Lorraine
Résumé :
Les troubles musculo-squelettiques liés au travail (TMSLT) comptent parmi les troubles liés au travail les plus courants dans l’industrie. Ils ont des conséquences néfastes pour les travailleurs et entraînent des coûts de santé élevés pour ces derniers, leurs entreprises et leurs assureurs. Avec la promesse d’un nombre croissant de robots collaboratifs (cobots) travaillant en interaction directe avec les humains et capables d’influencer leurs mouvements, un axe de recherche visant à étudier l’utilisation des cobots pour réduire le risque de TMSLT dans l’industrie a vu le jour. La plupart des tâches industrielles sont répétitives et exposent l’être humain au risque de mouvements répétitifs, qui est l’un des facteurs de risque les plus courants de TMS dans l’industrie. Les mouvements répétitifs entraînent une fatigue physique localisée. Inspirés par les travaux publiés dans la littérature, nous considérons la fatigue comme un indicateur indirect du risque de TMS dans les tâches répétitives. Nous proposons un cadre basé sur le POMDP pour contrôler le comportement des cobots dans le but de réduire la fatigue à long terme lors d’une tâche répétitive. Ce cadre permet de tenir compte de l’incertitude liée au comportement moteur humain et du manque d’observabilité de la fatigue lors de la planification à long terme. Nous fournissons des preuves de l’importance de la planification pour réduire la fatigue à travers plusieurs expériences en simulation. Nous proposons ensuite une méthode pour discrétiser l’espace d’action continu du cobot. Enfin, nous décrivons une procédure expérimentale qui peut aider à tester notre approche dans un scénario réel.
Les troubles musculo-squelettiques liés au travail (TMSLT) comptent parmi les troubles liés au travail les plus courants dans l’industrie. Ils ont des conséquences néfastes pour les travailleurs et entraînent des coûts de santé élevés pour ces derniers, leurs entreprises et leurs assureurs. Avec la promesse d’un nombre croissant de robots collaboratifs (cobots) travaillant en interaction directe avec les humains et capables d’influencer leurs mouvements, un axe de recherche visant à étudier l’utilisation des cobots pour réduire le risque de TMSLT dans l’industrie a vu le jour. La plupart des tâches industrielles sont répétitives et exposent l’être humain au risque de mouvements répétitifs, qui est l’un des facteurs de risque les plus courants de TMS dans l’industrie. Les mouvements répétitifs entraînent une fatigue physique localisée. Inspirés par les travaux publiés dans la littérature, nous considérons la fatigue comme un indicateur indirect du risque de TMS dans les tâches répétitives. Nous proposons un cadre basé sur le POMDP pour contrôler le comportement des cobots dans le but de réduire la fatigue à long terme lors d’une tâche répétitive. Ce cadre permet de tenir compte de l’incertitude liée au comportement moteur humain et du manque d’observabilité de la fatigue lors de la planification à long terme. Nous fournissons des preuves de l’importance de la planification pour réduire la fatigue à travers plusieurs expériences en simulation. Nous proposons ensuite une méthode pour discrétiser l’espace d’action continu du cobot. Enfin, nous décrivons une procédure expérimentale qui peut aider à tester notre approche dans un scénario réel.
