Eine Digitalisierung des EAWS-Verfahrens kann bei der Identifikation ergonomischer Probleme und der Ableitung darauf aufbauender Maßnahmen unterstützen. Aktuelle EAWS-Digitalisierungen beschränken sich mehrheitlich auf die Darstellung von EAWS-Punkten und Belastungen. Um EAWS-Auswertungen bedarfsgerecht weiterzuent-wickeln, wurden mit Hilfe einer Online-Befragung der Bedarf und die Anforderungen an EAWS-Auswertungsfunktionen und Gestaltungs-elemente ermittelt. Hierzu wurden auch der EAWS-Nutzungskontext sowie die eingesetzten EAWS-Auswertungssysteme und deren Bewertung erhoben. Insgesamt nahmen 61 Personen u. a. aus den Bereichen Arbeits-planung, IE, Ergonomie, Gesundheitswesen und Management teil. Die Ergebnisse zeigen, für was das EAWS-Verfahren eingesetzt wird, welche Personen daran beteiligt sind, welche Systeme genutzt und welchen Auswertungsfunktionen ein besonderer Bedarf zugeordnet wird. Daraus lassen sich Schwerpunkte für die Weiterentwicklung von EAWS-Auswertungen ableiten.

L'analyse ergonomique des postes de travail reste le point de départ de toute politique de prévention des risques de maladies professionnelles. De nombreux travaux scientifiques s'attachent à quantifier les déterminants à risque pour aboutir le plus souvent à un score de pénibilité. La difficulté actuelle des méthodes de cotation ergonomique se situe au niveau de la capture de ces déterminants. La majorité des systèmes se limitent à une collecte de données souvent subjective et très influencé par la personne effectuant la cotation. La volonté de l'entreprise par le biais de ce stage est d'objectiver l'analyse ergonomique des postes de travail par une capture du mouvement de l'opérateur. Le principale défi est le passage d'outil et de méthode scientifique à une utilisation de terrain avec toutes les contraintes qu'elle induit.L'apport des avancées technologiques et scientifiques encourage ce passage par des outils utilisable dans le contexte industriel. Les deux principaux objectif de ce stage se sont situer premièrement sur la limitation des biais de capture pour amener un précision et un standardisation de la mesure de terrain, ainsi que sur l'accès à de nouvelles données notamment l'aspect temporel de la tâche effectuée. Le matériel utilisé est le capteur de profondeur Kinect développé par Microsoft. Cet appareil fait l'objet d’études scientifique dans différents domaines et plus particulièrement dans son utilisation pour de la capture de mouvements.Lors de ce stage, nous nous somme attaché à traiter le signal émis par la Kinect, pour obtenir des données permettant le remplissage automatique de grille de cotation. Le bruit de mesure fût travailler à l'aide d'un filtre récursif passe bas utilisé fréquemment en laboratoire d'analyse du mouvement. Le traitement des données spatiales brut des articulations de l'opérateur pour obtenir des angles fit l'objet d'un grande partie du travail, car ne nombreux paramètre entre en jeu comme la position du capteur.La réussite du stage à permis de limiter la subjectivité de la mesure mais à également donnée l'accès à de nouveaux indices comme les pourcentage de temps de cycle passé à des angulations dangereuses pour l'opérateur. Le passage d'outil de laboratoire au terrain mérite encore d'être travaillé notamment dans la robustesse des systèmes développés et doit s'appuyer sur des expérimentations de laboratoire. / Evaluation of potential risks of musculoskeletal disorders in real workstations is challenging as the environment is cluttered, which makes it difficult to correctly and accurately assess the pose of a worker. Most of the traditional motion capture systems cannot deal with these workplace constraints. Being marker-free and calibration-free, Microsoft Kinect is a promising device to assess these poses, but the validity of the delivered kinematic data under work conditions is still unknown. In this thesis we first propose an extensive validation of the Kinect system in an ergonomic assessment context with sub-optimal capture condition. As most of the large inaccuracies come from occlusions, we propose a new example-based method to correct unreliable poses delivered by the Kinect in such a situation. We introduced the Filtered Pose Graph structure to make the method select the most relevant candidates before combination. In an ergonomics context, we computed RULA scores and compared them to those computed from an optoelectronic mocap system. We also propose to challenge our method in real workplace environment and compared its performance to experts' evaluation in the Faurecia company. Finally, we evaluated the relevance of the proposed method to estimate internal joint torques thanks to inverse dynamics, even if occlusions occur. Our method opens new perspectives to define new fatigue or solicitation indexes based on continuous measurement contrary to classical static images generally used in ergonomics. The computation time enables real-time feedback and interaction with the operator.

Eine Digitalisierung des EAWS-Verfahrens kann bei der Identifikation ergonomischer Probleme und der Ableitung darauf aufbauender Maßnahmen unterstützen. Aktuelle EAWS-Digitalisierungen beschränken sich mehrheitlich auf die Darstellung von EAWS-Punkten und Belastungen. Um EAWS-Auswertungen bedarfsgerecht weiterzuent-wickeln, wurden mit Hilfe einer Online-Befragung der Bedarf und die Anforderungen an EAWS-Auswertungsfunktionen und Gestaltungs-elemente ermittelt. Hierzu wurden auch der EAWS-Nutzungskontext sowie die eingesetzten EAWS-Auswertungssysteme und deren Bewertung erhoben. Insgesamt nahmen 61 Personen u. a. aus den Bereichen Arbeits-planung, IE, Ergonomie, Gesundheitswesen und Management teil. Die Ergebnisse zeigen, für was das EAWS-Verfahren eingesetzt wird, welche Personen daran beteiligt sind, welche Systeme genutzt und welchen Auswertungsfunktionen ein besonderer Bedarf zugeordnet wird. Daraus lassen sich Schwerpunkte für die Weiterentwicklung von EAWS-Auswertungen ableiten.

Les environnements virtuels sont des outils de plus en plus fréquemment utilisés dans le domaine de la formation sans que leur conception soit systématiquement guidée par des préconisations ergonomiques. Ce travail de thèse propose d’élaborer et d’évaluer des recommandations ergonomiques relatives au guidage de l’apprenant au cours de son apprentissage en EVAH (Environnement Virtuel pour l'Apprentissage Humain). Après avoir évalué l’utilité pour l’apprentissage d’un EVAH destiné à des techniciens de laboratoire, deux expériences ont été menées afin de déterminer un guidage optimal de l’apprenant lors de sa formation au lancement de tests de coagulation. La première expérience analysait l’impact d’une organisation hiérarchique d’instructions sonores sur l’apprentissage. La deuxième évaluait les modalités de présentation d’un guidage visuel et leurs conséquences sur l’acquisition de la procédure. Les résultats obtenus à l’issue de ces deux expériences ont permis de proposer des recommandations ergonomiques quant à la conception d’un guidage sonore et d’un guidage visuel de l’apprenant lors de l’acquisition d’une procédure. Enfin, ces recommandations ont été implémentées dans l’EVAH. Ainsi « amélioré », il a été confronté à l’environnement virtuel de référence dans le but d’évaluer l’efficacité des préconisations. Les résultats montrent que la prise en compte des recommandations ergonomiques proposées améliore les performances des apprenants. / Virtual environments are tools that are becoming more frequently used in the field of training, however their design is not systematically guided by ergonomic considerations. This thesis presents the development and evaluation of ergonomic recommendations to guide the learner during VET (Virtual Environment for Training) training. After evaluating the usefulness of STA-R Virtuel, a VET for laboratory technicians, two experiments were conducted to determine optimal ways of cueing the learner during their training in the execution of coagulation tests. The first experiment analyzed the impact on learning of a hierarchical organization of auditory instructions. The second evaluated different ways of presenting a visual guide and their impact on learned proficiency in the procedure. The results obtained at the end of these two experiments were then used to develop ergonomic recommendations for the design of auditory and visual cues to enhance learner performance. Finally, these recommendations were implemented in the VET. The improved version was compared with the reference virtual environment in order to assess the effectiveness of the recommendations. The results show that the inclusion of the proposed ergonomic recommendations improves the learners' performance.

Background: Work-related musculoskeletal disorders (WRMSD) are a disadvantage for companies both from the health and economics view. To reduce them, workstation ergonomics need to be accounted for. Previous ergonomics assessments involved spreadsheets filled and analysed by ergonomists and were regarded as time and resource-consuming, but recent improvements in virtual reality (VR), motion capture (MoCap) and digital human modeling (DHM) tools have open new options for analyses. Workstation redesign is one of the most common ways to improve working conditions, but a proper strategy that allows recording a sequence of actions using VR and assesses ergonomics is needed. Limitations: The strategy was designed for Simumatik, software for virtual commissioning of workstations that wanted to also consolidate itself as a DHM tool. Simumatik and HTC Vive were used as MoCap system and Ergonomics in production platform (EPP) as the assessment tool. Method: Literature review – prestudies and definition of use cases to test strategy and implement in it - requirements and wishes – strategy development – validation of use cases – evaluation. Results: Compared to manual simulations performed manually in IPS IMMA where the user performs same tasks, the strategy output accuracy of 73.3%. However, there are some misinterpretations to fix within the performance of the strategy that would fairly raise it and make the study more realistic, concerning the use cases studied. These mistakes include the posture prediction of the neck and some minor issues with the performance of the use cases. The number of resources vs. development was also studied and it showed that fixing the minor mistakes would raise accuracy close to 80% in the use cases. Adding a chest tracker could make it close to 100% compared to manual simulations in IPS IMMA. Conclusions: The strategy steps were tested and concluded that worked fine, because of the accuracy reached. However, further development of all the parts concerning the strategy is needed. The aim reached was to achieve rough results that could democratize physical ergonomics assessments.

One of the causes of work-related Musculoskeletal Disorders (MSDs) is the manual handling of heavy objects. To reduce the risk of such injuries, workers are instructed to follow general guidelines on how to lift and carry objects depending on their mass. Current ergonomic assessments using wearable sensors can differentiate correct from incorrect body postures but are limited. Being able to estimate the mass of an object during ergonomic assessment would be a great improvement. This work investigates a combination of Inertial Measurement Units (IMUs) and Electromyography (EMG) sensors for offline estimation of an object’s mass for different movements. 10 participants performed 26 lifting and carrying trials with loads from 0 to 19 kg, while wearing a 17IMU motion capture system and EMG sensors on both biceps brachii and both erector spinae. Two methods were considered to estimate the carried mass: (1) supervised machine learning and (2) musculoskeletal modeling. First, the data was used to select features, train, and compare regression models. The lowest Mean Squared Error (MSE) for 10-fold cross-validation for lifting and carrying combined was 5.8113 for a Gaussian Process Regression (GPR) model with an exponential kernel function. Then, a MSE of 4.42 and a Mean Absolute Error (MAE) of 1.63 kg were obtained also with a GPR for Leave-One-Subject-Out Cross-Validation (LOSOCV) only for lifting and frontal carrying trials. For the same trials, the upper-extremity musculoskeletal model, scaled to each participant, estimated the mass with a MSE of 1.78 and a MAE of 0.95 kg. The study was restricted to lifting and frontal carrying, but the combination of the two technologies showed great potential for object mass estimation.