Contributions à l'analyse biomécanique et ergonomique physique in situ des postes de travail à l'aide des techniques de Machine Learning et de Deep Learning

(English version below)

L’évaluation du risque de troubles musculo-squelettiques dans les milieux industriels, constitue un véritable défi en raison de la complexité croissante des processus de production modernes. Ces environnements intègrent divers facteurs influençant les activités des opérateurs, notamment des aspects organisationnels, managériaux, environnementaux, ainsi que des éléments liés aux rythmes de travail et aux outils utilisés. Afin de prévenir ces troubles, il est essentiel de mesurer les contraintes physiques exercées sur les opérateurs. Bien que plusieurs systèmes actuels monitorent les mouvements des opérateurs et fournissent une évaluation posturale de leur activité physique, ces outils négligent souvent l’analyse des forces physiques appliquées ou générées par l’opérateur. Il devient donc impératif de quantifier ces forces pour identifier les facteurs de risque physique liés à l’effort. Cependant, les méthodes de mesure traditionnelles présentent souvent des contraintes complexes, invasives et peu adaptées aux environnements de travail réels. Cette thèse propose de relever ce défi en développant des approches basées sur des algorithmes d’apprentissage pour estimer les contraintes physiques de manière non invasive. Nous avons d’abord évalué la précision des systèmes de vision par ordinateur pour l’évaluation du RULA, en nous concentrant sur leur application en milieu de travail. Nous avons évalué et comparé des systèmes basés sur des caméras RVB et des caméras à profondeur, avec ou sans capteurs portables (systèmes hybrides) pour les tâches industrielles. Ensuite, nous avons développé et évalué plusieurs modèles d’apprentissage pour estimer les couples articulaires à partir de données disponibles in situ, en alternative aux méthodes classiques de dynamique inverse. Enfin, nous avons étudié la généralisabilité des outils d’apprentissage profond comme OpenCap dans les tâches de manutention bimanuelle, en appliquant le fine-tuning afin d’adapter ces modèles à de nouveaux types de mouvements et de marqueurs.

*************************************

Contributions to the In-Situ Biomechanical and Physical Ergonomic Analysis of Workstations Using Machine Learning and Deep Learning Techniques

Assessing the risk of musculoskeletal disorders in industrial environments is a real challenge, given the increasing complexity of modern production processes. These environments incorporate a variety of factors influencing operators' activities, including organisational, managerial and environmental aspects, as well as factors linked to work patterns and the tools used. In order to prevent these disorders, it is essential to measure the physical stresses exerted on operators. Although several current systems monitor operators' movements and provide a postural assessment of their physical activity, these tools often neglect to analyse the physical forces applied or generated by the operator. It is therefore becoming imperative to quantify these forces in order to identify physical risk factors linked to effort. However, traditional measurement methods are often complex, invasive and poorly adapted to real working environments. This thesis proposes to meet this challenge by developing approaches based on learning algorithms to estimate physical constraints non-invasively. We first evaluated the accuracy of computer vision systems for the assessment of RULA, focusing on their application in the workplace. We evaluated and compared systems based on RGB cameras and depth cameras, with or without wearable sensors (hybrid systems) for industrial tasks. Next, we developed and evaluated several learning models for estimating joint torques from data available in situ, as an alternative to conventional inverse dynamics methods. Finally, we studied the generalisability of deep learning tools such as OpenCap in bimanual handling tasks, applying fine-tuning to adapt these models to new types of movements and markers.