his study explores clamp force estimation using Unscented Kalman Filtering (UKF) in torque-controlled tightening scenarios with various velocity profiles. Previous research has explored the impact of velocity levels on target torque and clamping force, but only using hand-held tools. Prior research is extended by implementing UKF in a fixed setup, using the QST42, to remove user errors. Four strategies, Continuous Drive, TurboTight, Accelerating Tightening, and Paused Tightening, are analyzed using error and quality factor metrics. In Continuous Drive, both hand-held and fixed rigshave mean errors of approximately 4.09% and 4.14%, with quality factors of 88.38% and 97.72%.UKF adapts well in TurboTight, with mean errors of 3.50% (hand-held) and 5.23% (fixed rigs), and quality factors of 93.02% and 94.44%, respectively. Dynamic strategies like Accelerating Tightening- yield higher mean errors (10.33%) and quality factors (94.86%), while Paused Tightening results in a mean error of 5.17% and a quality factor of 76.86%. Tailoring UKF calibration is crucial for accuracy. Overall, this research underscores the close correlation between UKF’s performance and the dynamics of the tightening strategy. The implications extend to industrial applications, advocating for strategy-specific adjustments to enhance clamp force estimation accuracy. This study contributes to advancing UKF’s applicability in real-world scenarios, providing a foundational framework to enhance the accuracy and reliability of clamp force estimations. / Denna studie utforskar kraftuppskattning för klammer i momentkontrollerade åtdragnings-scenarier med olika hastighetsprofiler med hjälp av Unscented Kalman Filtering (UKF). Tidigare forskning har utforskat påverkan av hastighetsnivåer på målmoment och klämkraft, men endast med användning av handhållna verktyg. Tidigare forskning utökas genom att implementera UKF i en fast inställning, med QST42 verktyget, för att eliminera användarfel. Fyra strategier, Continuous Drive, TurboTight, Accelerating Tightening och Paused Tight-ening, analyseras med hjälp av fel- och kvalitetsfaktormetoder. I Continuous Drive har både handhållna och fixta åtdragningar medelvärdesfel på cirka 4,09% och 4,14%, med kvalitetsfaktorer på 88,38% och 97,72%. UKF anpassar sig väl i TurboTight, med medelvärdesfel på 3,50% (handhållna) och 5,23%(fixt rig) och kvalitetsfaktorer på 93,02% och 94,44%, respektive. Dynamiska strategier som Accelerating Tightening ger högre medelvärdesfel (10,33%) och kvalitetsfaktorer (94,86%), medan Paused Tightening resulterar i ett medelvärdesfel på 5,17% och en kvalitetsfaktor på 76,86%. Sammanfattningsvis understryker denna forskning den nära korrelationen mellan UKF:s prestanda och dynamiken i åtdragningsstrategin. Implikationerna sträcker sig till industriella tillämpningar och förespråkar strategispecifika justeringar för att förbättra noggrannheten i klämkraftsuppskattningen. Denna studie bidrar till att främja användningen av UKF i verkliga scenarier och tillhandahåller en grundläggande ram för att förbättra noggrannheten och tillförlitligheten i klämkraftsuppskattning.

I industriella miljöer är det avgörande att säkerställa människors säkerhet runt robotarmar för att förhindra allvarliga skador vid olyckor. Denna studie syftar till att utveckla ett realtidssystem för fara-detektering som använder datorseende och prediktiva modeller för att förbättra säkerheten. Genom att kombinera YOLOv8-algoritmen för objektigenkänning med Kalmanfiltrering (KF) och Dead Reckoning (DR) kan systemet upptäcka människors närvaro och förutsäga rörelser för att minska risken för olyckor. Det första experimentet visar att KF presterar bättre än DR, särskilt vid linjära rörelser, med lägre medelabsolutfel (MAE) och medelkvadratfel (MSE). Det andra experimentet visar att integrationen av KF med YOLOv8 resulterar i högre precision, noggrannhet och balanserad noggrannhet, även om återkallning fortfarande behöver förbättras. Dessa resultat indikerar att kombinationen av datorseende och prediktiva modeller har betydande potential att förbättra människors säkerhet. Ytterligare forskning och tester i olika scenarier är dock nödvändiga innan implementering i verkliga miljöer. / In industrial environments, ensuring human safety around robotic arms is crucial to prevent severe injuries from accidents. This study aims to develop a real-time hazard detection system using computer vision and predictive modeling techniques to improve safety. By combining the YOLOv8 object detection algorithm with Kalman Filtering (KF) and Dead Reckoning (DR), the system can detect human presence and predict movements to reduce the risk of accidents. The first experiment shows that KF outperforms DR, especially in linear movements, with lower Mean Absolute Error (MAE) and Mean Squared Error (MSE). The second experiment demonstrates that integrating KF with YOLOv8 results in higher precision, accuracy, and balanced accuracy, although recall still needs improvement. These findings indicate that combining computer vision with predictive modeling has significant potential to enhance human safety. However, further research and testing in diverse scenarios are necessary before real-world deployment.