Promoting safe use of AMRs by assessing their residual risks and safety-related functions
Notice bibliographique
Résumé
With Autonomous Mobile Robots (AMRs), the usual risks are those of collision between a worker and the AMR, or a body part trapped between the AMR and a fixed or moving obstacle. To bypass obstacles (human or otherwise), AMRs feature autonomous control systems activating safety-related functions based on machine learning or optimization algorithms. This paper proposes a roadmap to guide integrators and users on the safe implementation of two AMRs. To do so, a risk assessment of two identical AMRs was performed, using ISO 12100, in a test bed consisting of an Intelligent Cyber-Physical Systems laboratory warehouse at Polytechnique Montreal. A safety checklist from the standard R15.08 was filled out to feed the risk assessment process and to help judge the efficiency of the technical protective measures, namely the safety-related functions. Apart from the risks of collision and entrapment, the risk assessment highlighted other hazards stemming from the AMRs, such as intense light that can temporarily distort someone’s view, then potentially become a pitfall during human-robot interactions. Assessing the autonomous localization and mapping ability of the AMRs at their configuration phase highlighted the importance of a high quality and reliable Wi-Fi to detect obstacles on time and avoid unexpected movements. Consequently, the risks have started being addressed to use those AMRs safely. The study showed the gap between today’s safety-related state of the art (e.g., R15.08, ISO/IEC TR 5469) and the manufacturer’s design choices. That gap will raise awareness amongst designers, so they prioritize more inherently safe principles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».