MétaCan
Menu
Back to cohort
Record W4401365442 · doi:10.70010/qkwy4060

Identification en laboratoire des éléments essentiels au processus d’intégration sécuritaire de cellules cobotiques

2024· report· fr· W4401365442 on OpenAlexaff
Sabrina Jocelyn, Élise Ledoux, Damien Burlet-Vienney, Isabelle Berger, Isvieysys Armas Marrero, Chun Hong Law, Yuvin Chinniah, Abdallah Ben Mosbah, Ilian A. Bonev, Denys Denis, Laurent Giraud

Bibliographic record

Venuenot available
Typereport
Languagefr
FieldPsychology
TopicHuman-Automation Interaction and Safety
Canadian institutionsÉcole de Technologie SupérieurePolytechnique MontréalUniversité du Québec à MontréalInstitut de recherche Robert-Sauvé en santé et en sécurité du travail
Fundersnot available
KeywordsHumanitiesPolitical sciencePhilosophy

Abstract

fetched live from OpenAlex

Les cobots sont apparus vers 2010 en industrie et les accidents sont très peu documentés. La gestion des risques en cobotique représente un réel défi. La littérature scientifique montre l’existence de divers modèles, méthodes et outils pour gérer les risques en cobotique, en mettant l’opérateur humain au cœur de l’intégration des applications collaboratives. Cependant, un autre humain clé de la mise en œuvre de ces applications est négligé la plupart du temps. Il s’agit de l’intégrateur, celui qui doit concevoir la cellule cobotique. À notre connaissance, deux études portant sur un même projet de conception d’un logiciel aidant à mettre en œuvre des cellules cobotiques sont les seules mettant l’intégrateur au cœur de leur invention. Cependant, cette prise en compte de l’intégrateur se base sur un retour d’expérience relatif à leurs intégrations passées. Le présent rapport se démarque en plaçant l’intégrateur au cœur de sa méthodologie et en exploitant l’analyse de l’entièreté du processus d’intégration au fur et à mesure qu’il se déroule. En effet, l’objectif de ce rapport est d’identifier, en laboratoire, les éléments essentiels au processus d’intégration sécuritaire de cellules cobotiques, en considérant les variabilités inhérentes à la tâche à cobotiser et à l’intégrateur. Pour y parvenir, l’étude passe par trois étapes principales : 1) la caractérisation des tâches cobotisées en industrie et des interactions humain-cobot à partir de matériels visuels issus d’études de cas et de visites en entreprise ; 2) l’intégration, en laboratoire, de quatre cellules cobotiques, à savoir deux tâches industrielles implantées chacune par deux intégrateurs (chaque intégrateur doit mettre en œuvre les cellules cobotiques relatives aux deux tâches industrielles) ; 3) l’analyse des éléments de prises de décisions des intégrateurs pour chacun des quatre processus d’intégration. La caractérisation à l’étape 1 du projet permet de proposer cinq classes d’applications collaboratives : 1) la collaboration directe en alternance ; 2) la collaboration directe d’assistance ; 3) la collaboration indirecte séquentielle ; 4) la collaboration indirecte parallèle ; 5) le partage d’espace occasionnel sans collaboration. La définition de ces classes est utile à tout intégrateur voulant démarrer son analyse des risques d’une installation cobotique. L’analyse des risques commence avec la détermination des limites de l’installation à mettre en œuvre, au sens de la norme en robotique ISO 10218 et, plus généralement, au sens de la norme ISO 12100 en sécurité des machines. À la lumière des résultats des trois étapes de l’étude, ce rapport propose un outil de détermination des limites d’une installation cobotique. Ces limites sont les variabilités inhérentes à la tâche à cobotiser, notées au fil de la réalisation des intégrations et des différentes étapes de la méthodologie. Nous avons constaté que, parmi tous les éléments de variabilité influençant les quatre processus d’intégration étudiés, les trois premiers éléments suivants liés à la tâche à cobotiser et les deux derniers éléments suivants associés à l’intégrateur étaient essentiels dans ces processus : 1) le choix du cobot ; 2) le type de pièce à manipuler et le type d’outil robotique ; 3) les contraintes de temps de cycle et de productivité ; 4) la formation de l’intégrateur en sécurité des machines en général et en sécurité en cobotique plus précisément ; 5) les informations, relatives à la sécurité ou la productivité, qu’il reçoit de son entourage, puisqu’elles le poussent à remettre en question ses choix initiaux et les corriger s’il y a lieu (il s’agit de rétroactions). Des pistes de réflexion relatives à ces éléments de variabilité sont énoncées à la fin du rapport.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.006
metaresearch head score (Gemma)0.012
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.009
Threshold uncertainty score0.032

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0060.012
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0030.003
Science and technology studies0.0030.002
Scholarly communication0.0070.004
Open science0.0010.003
Research integrity0.0020.002
Insufficient payload (model declined to judge)0.0080.003

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.033
GPT teacher head0.394
Teacher spread0.362 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designBench or experimental
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2024
Admission routes1
Has abstractyes

Explore more

Same topicHuman-Automation Interaction and SafetyFrench-language works237,207