Intelligenza Artificiale e Fattori Umani: esplorazione di nuovi metodi per l’ergonomia fisica in contesti reali

Physical ergonomics is a crucial aspect of ensuring the well-being and safety of workers, while contributing to improving the productivity and sustainability of industrial systems. The integration of human factors in the design of machines, systems and work environments is crucial, especially in the light of Industry 4.0 and 5.0 paradigms, which focus on cooperation between man and machine. In this context, emerging Motion Capture technologies based on Deep Learning offer new possibilities to monitor and improve workers' ergonomics, reducing the risk of work-related musculoskeletal disorders. This research focuses on the analysis and comparison of two distinct approaches for the use of Deep Learning technologies in monitoring the physical ergonomics of workers: an analytical approach, which uses mathematical models to calculate the ergonomic score from joint angles, and an inductive approach, which exploits the predictive capacity of Machine Learning systems to determine ergonomic risk from observed data. The analytical approach was implemented and tested through a tool called RGB- MAS, which uses RGB cameras to monitor workers' movements and calculate the joint angles required for ergonomic analysis. The results of the tests, conducted both in the laboratory and in a real production context, demonstrate the effectiveness of the tool in providing an accurate assessment of ergonomic risk, despite some limitations related to the handling of occlusions and the accuracy of the data collected. The inductive approach was instead implemented through the iRGB-MAS system, which uses synthetic datasets to train Machine Learning models capable of predicting ergonomic risk based on the postures detected by the cameras. Again, the tests conducted revealed a good accuracy of the system, suggesting the possibility of using the inductive approach to further improve the effectiveness of ergonomic assessments, particularly in dynamic and complex contexts. The results of this research contribute to outlining the potential and limitations of Motion Capture technologies based on Deep Learning for the assessment of physical ergonomics, offering new perspectives for the implementation of sustainable, human-centred solutions in industrial manufacturing workplaces.

L'ergonomia fisica rappresenta un aspetto cruciale per garantire il benessere e la sicurezza dei lavoratori, contribuendo al tempo stesso a migliorare la produttività e la sostenibilità dei sistemi industriali. L'integrazione dei fattori umani nella progettazione di macchine, sistemi e ambienti di lavoro è fondamentale, soprattutto alla luce dei paradigmi dell'Industria 4.0 e 5.0, che mettono al centro la cooperazione tra uomo e macchina. In questo contesto, le tecnologie emergenti di Motion Capture basate su Deep Learning offrono nuove possibilità per monitorare e migliorare l'ergonomia dei lavoratori, riducendo il rischio di disturbi muscoloscheletrici legati al lavoro. Questa ricerca si concentra sull'analisi e il confronto di due approcci distinti per l'utilizzo delle tecnologie di Deep Learning nel monitoraggio dell'ergonomia fisica dei lavoratori: un approccio analitico, che utilizza modelli matematici per calcolare il punteggio ergonomico a partire dagli angoli articolari, e un approccio induttivo, che sfrutta la capacità predittiva dei sistemi di Machine Learning per determinare il rischio ergonomico a partire dai dati osservati. L'approccio analitico è stato implementato e testato attraverso uno strumento chiamato RGB-MAS, che utilizza telecamere RGB per monitorare i movimenti dei lavoratori e calcolare gli angoli articolari necessari per l'analisi ergonomica. I risultati dei test, condotti sia in laboratorio che in un contesto produttivo reale, dimostrano l'efficacia dello strumento nel fornire una valutazione accurata del rischio ergonomico, nonostante alcune limitazioni legate alla gestione delle occlusioni e alla precisione dei dati raccolti. L'approccio induttivo è stato invece implementato attraverso il sistema iRGB-MAS, che utilizza dataset sintetici per addestrare modelli di Machine Learning capaci di predire il rischio ergonomico sulla base delle posture rilevate dalle telecamere. Anche in questo caso, i test condotti hanno evidenziato una buona accuratezza del sistema, suggerendo la possibilità di utilizzare l'approccio induttivo per migliorare ulteriormente l'efficacia delle valutazioni ergonomiche, in particolare in contesti dinamici e complessi. I risultati di questa ricerca contribuiscono a delineare le potenzialità e i limiti delle tecnologie di Motion Capture basate su Deep Learning per la valutazione dell'ergonomia fisica, offrendo nuove prospettive per l'implementazione di soluzioni sostenibili e centrate sull'uomo negli ambienti di lavoro manifatturieri industriali.