Incorporating energy expenditure and rest allowance in a human-robot collaborative learning-forgetting process
Notice bibliographique
Résumé
Collaborative robots (cobots) are being increasingly deployed in modern manufacturing to enhance flexibility, productivity, and safety. However, most existing production models overlook key human-centric factors, such as learning, forgetting, and fatigue, which significantly impact performance in human–robot collaboration (HRC) systems. Unlike manual environments, HRC requires precise synchronization between human adaptability and robotic consistency. Humans improve through learning, but forget over time. Meanwhile, fatigue accumulates, demanding rest that affects pacing and throughput. In parallel, physical fatigue accumulates, requiring rest periods that influence pacing and system throughput. This study, therefore, presents a Learning–Forgetting Fatigue–Recovery Model for Human–Robot Collaboration (LFFRM-HRC) that integrates human learning and forgetting dynamics with energy-based fatigue–recovery behavior within an optimization framework. The model evaluates how learning rate, number of batches, and forgetting duration affect total production time and average rest time across sixty simulation scenarios. Three system configurations are compared: manual assembly, HRC without task assignment, and a proposed HRC approach with dynamic task allocation. The results demonstrate that the proposed LFFRM-HRC with task assignment outperforms both manual and unstructured cobot setups, achieving substantial reductions in production time and rest needs. Moreover, the study shows that the optimal number of batches and shorter rest times mitigate the adverse effects of forgetting and fatigue. These findings necessitate including physical fatigue in system design, noting that cognitive fatigue, though important, is beyond the current scope. The LFFRM-HRC provides a practical, ergonomically sensitive tool for optimizing cobot-enabled production systems, supporting improved productivity while safeguarding worker well-being.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».