ウェアラブルセンサー融合とハイブリッド深層学習を用いた人間-ロボット協調製造におけるリアルタイム生理学的疲労予測:インシリコデジタルツイン研究
Real-Time Physiological Fatigue Prediction for Human–Robot Collaborative Manufacturing Using Wearable Sensor Fusion and Hybrid Deep Learning: An In Silico Digital Twin Study
製造業における筋骨格系の疲労は、多くの傷害の原因となるが、従来の監視システムは傷害が発生してから記録していた。本研究では、人間とロボットが協調する組立作業中にオペレーターの疲労を継続的に追跡するウェアラブルセンシングプラットフォームと学習パイプラインを開発し、インシリコ(シミュレーション環境)で評価した。8チャンネルの表面筋電図(sEMG)、6つの慣性計測ユニット、4つの感圧抵抗センサーからのデータを127次元の特徴量に変換し、30秒のウィンドウで計算した。1536時間のシミュレーションデータ(24人の多様な体格の合成オペレーター)を用いて8つの分類器を訓練した結果、1次元CNN-LSTMハイブリッドモデルは、オペレーターを除外した交差検証において、3クラス分類で89.3%、バランス精度で87.1%を達成した。このモデルは73.9kのパラメータを持ち、Jetson Nano上で22msの推論速度を実現した。アブレーション研究により、sEMGがバランス精度の7.0ポイント、センサー不要の3つの文脈変数(コンテキスト変数)が5.0ポイントに寄与することが示された。アラートは重度の疲労の約12分前に発せられ、アラートに基づくタスク再配分により、肩へのピーク負荷が43%削減され、スループットはベースラインの94%を維持した。本研究はシミュレーション環境での結果であり、実運用には人間のオペレーターによる将来的な検証が必要である。
- 1D CNN-LSTMハイブリッドモデルが、人間-ロボット協調製造環境でのオペレーター疲労予測において、3クラス分類で89.3%、バランス精度87.1%を達成した。
- 疲労予測モデルは73.9kパラメータでJetson Nano上において22msの推論速度を実現し、エッジデバイスでのリアルタイム動作が可能であることを示した。
- アラートに基づくタスク再配分により、肩へのピーク負荷が43%削減され、スループットはベースラインの94%を維持した。
人間とロボットが協調する製造環境におけるオペレーター疲労のリアルタイム予測は、産業ロボット応用の安全性と生産性を両立させる重要な技術であり、労働安全分野への展開余地が大きい。ただし本研究はシミュレーション環境のみでの検証であり、実運用性は未確認。投資判断の観点では、ウェアラブルセンシングと深層学習を組み合わせた産業向け安全ソリューションの市場成長可能性に注目したいが、現時点では学術的な成果段階に留まる。