Annonce

Les commentaires sont clos.

PHD position: Analyse et reconnaissance du mouvement humain en continue à partir de caméras pour l'interaction humain-robot et la conception de postes de travail dans un contexte industrie 5.0

19 Octobre 2022


Catégorie : Doctorant


Dans le cadre de l’industrie 5.0, le processus de fabrication est centré sur l’humain. Une attention particulière est prêtée à ses gestes et déplacements tout en veillant à son bien-être. Dans ce contexte, l'objectif de la thèse est de créer un système d'analyse de mouvement de l’opérateur (geste et actions) à l'aide de caméras et de capteurs non-intrusifs. En s’appuyant sur des approches de Deep Learning tels que les réseaux convolutifs basés graphe (GCN), le système devra être capable de détecter avec précision l'action d'une personne dans un flux de données et cela en ligne, ce qui représente un verrou scientifique majeur. Cette recherche est appliquée à un cadre spécifique d'un système d'assemblage impliquant collaborativement opérateurs et cobots, voire manipulateur mobile. L'objectif sera de pouvoir reconnaître l’activité et les actions faites par l'opérateur à l'aide de l'approche proposée tout au long du processus afin de permettre les interactions humain-robot et d’analyser l’ergonomie et l’agencement de l’ilot de production tout en mettant à jour son jumeau numérique.Le système sera déployé sur la plateforme industrie du futur de LINEACT CESI et son jumeau numérique.

 

Mots clés : Reconnaissance du mouvement humain, Deep Learning, Analyse du poste de travail, Collaboration Humain-Robot, Industrie 5.0 et Jumeau Numérique.

 

Sujet

Les outils de reconnaissances du mouvement humain permettent de caractériser le poste de travail et d’apporter de l’intelligence dans la collaboration humain-robot. Bien que les approches basées Deep Learning ont montré leur efficacité, les algorithmes de reconnaissance du mouvement humains contiennent encore de nombreux challenges. Tout d’abord, la simple identification d'un mouvement dans une séquence segmentée est insuffisante, plus particulièrement dans le cas où l’opérateur est filmé en exécutant son travail de manière continue sur son poste. C’est pourquoi, le verrou scientifique principal porte sur la proposition de nouveaux algorithmes pour relever le défi de la détection de mouvements de durée variable et de leur classification à partir de séries temporelles de données. L’enjeu étant de rendre accessible aux industriels des systèmes fiables qui les aident à améliorer la production, l’ergonomie et l’environnement collaboratif de travail des opérateurs.

Notons que pour relever ce premier challenge de récents jeux de données de reconnaissance d’actions humaines en ligne dans un contexte industriel ont été publiés, tels que InHARD (Dallel et al., 2020) ou CoAx (Lagamtzis et al., 2022). Toutefois, ces jeux de données sont souvent capturés avec des systèmes coûteux et intrusifs, en équipant les opérateurs avec des combinaisons IMUs (Inertial Motion Unit) comme les Perception Neuron[1] ou Xsens[2]. Le second challenge porte donc sur la définition de nouveaux protocoles d’acquisition de données à partir de capteurs non invasifs, peu coûteux et efficaces comme par exemple les capteurs RGBD permettant d’obtenir des données de profondeur et des données squelettes.

Afin de répondre à cette problématique portant sur la détection et classification de mouvements humains obtenus par des capteurs non invasifs pour la collaboration humain-robot et la caractérisation de poste d’assemblage, les questions de recherche et les contributions du travail de thèse porteront sur :

  • ·la détection en ligne de mouvement, de durée variable, puis la classification par des réseaux de neurones profonds basés graphes (GCN : Graph Convolutional Network) ou/et CapsulNet en utilisant des séries temporelles obtenues à partir de capteurs non invasifs pour l’opérateur tels que des caméras RGBD ;
  • ·la proposition d’algorithmerobuste à un changement de point de vue d’acquisition puisque l’opérateur n’est pas équipé par des capteurs permettant de faire la reconnaissance de mouvement ;
  • ·La fusion des données de mouvement et des connaissances sur l’assemblage à effectuer pour une décision robuste.

Les cas d’applications industriels qui pourront être mis en place grâce à ces travaux porteront sur :

  • ·la mise à jour du jumeau numérique du poste d’assemblage ;
  • ·l’identification des actions trop répétitives ou qui prennent beaucoup de temps dans le processus d’assemblage pour un but d’optimisation de production ;
  • ·la création d’un rapport d’ergonomie et de temps d’exécution par action et activité permettant de l’utiliser, à terme, comme outil d’aide à la décision pour la reconfiguration du poste de travail en agissant sur son agencement pour une meilleure posture ;
  • ·la mise en place d’un système d’interaction humain-robot.

 

Lieu de travail :CESI Lyon

Date de démarrage :ASAP

Modalités du recrutement: sur dossier et entretien.

Merci d’adresser votre candidature à rsalmi@cesi.fr, vhavard@cesi.fr et dbaudry@cesi.fr avec pour objet de mail :

« [These HAR] Analyse et reconnaissance du mouvement humain dans un contexte industrie 5.0 »

Votre candidature devra comporter :

  • ·un Curriculum-Vitae détaillé. En cas de rupture dans le cursus universitaire, merci de donner une explication ;
  • ·une lettre de motivation explicitant ses motivations à poursuivre une thèse de doctorat ;
  • ·les résultats du MASTER 2 et les bulletins de notes correspondant ;
  • ·toute autre pièce que vous jugerez utile.

Merci de transmettre l’ensemble des documents au sein d’un fichier zip intitulé NOM_prénom.zip.

Vos compétences

Compétences scientifiques et techniques :

  • ·maitrise des concepts et des principales architectures de Deep Learning, plus particulièrement pour le traitement de séries temporelles,
  • ·capacité d’analyse et d’appropriation de nouvelles architectures de Deep Learning,
  • ·langages de programmation : Python, C++,
  • ·maitriser des frameworks de développement de Deep Learning : TensorFlow, PyTorch, Keras, OpenCV,
  • ·des connaissances en vision par ordinateur,
  • ·avoir des bonnes capacités rédactionnelles.

Compétences relationnelles :

  • ·être autonome, avoir un esprit d’initiative et de curiosité,
  • ·savoir travailler en équipe et avoir un bon relationnel,
  • ·être rigoureux,
  • ·maitriser l’anglais scientifique à l’écrit et à l’oral.