Contribution à la caractérisation de l’affordance d’un environnement de travail industriel : une approche basée sur l’apprentissage profond combinant données réelles et synthétiques
Conférence : Communications avec actes dans un congrès national
Ce travail s’inscrit dans le cadre du projet « École De La Batterie », dont l’un des objectifs concerne l’optimisation de la conception des postes de travail manuel dans le but d’améliorer leur ergonomie. Nos travaux s’inscrivent dans cette démarche et visent à caractériser l’affordance des éléments de ces environnements avec lesquels les opérateurs interagissent (outils, composants, etc.) lors des opérations qu’ils réalisent. Un des verrous liés à cette problématique concerne la détection des éléments mobilisés par l’opérateur au cours de son activité pour aboutir à la caractérisation de leurs affordances. Les approches basées sur l’apprentissage profond fournissent de très bons résultats, mais nécessitent des bases de données d’apprentissage importantes. Dans le contexte industriel ces bases de connaissances labellisées n’existent pas ou sont en quantité très limitées pour ce type d’application. La méthode proposée repose sur un processus d’apprentissage automatique supervisé qui mobilise à la fois la génération de données réelles et synthétiques, qui sont respectivement issues de l’expérimentation et du jumeau numérique d’un poste de travail. Nous questionnons notamment la proportion de données
réelles requises pour obtenir un modèle performant avec un effort de labellisation minimal, pour atteindre des performances
de détection des outils cohérentes pour notre objectif de caractérisation des affordances du poste de travail.