I ett tidigare genomfört examensarbete gjordes en förstudie på hur en människa-robot samarbetscell skulle fungera i en laboratoriemiljö. I Arvid Bobergs ”HRC Implementation in laboratory environment” skulle cellen tas fram på uppdrag av Eurofins för att arbeta med kemikalie- och mikrobiologiska analyser inom jordbruk, mat och miljö. För att verifiera de lösningsförslag som togs fram skulle en implementering behöva utformas i en fysisk miljö.  Projektets huvudsyfte var att ta fram en samarbetscell som skulle utföra arbetsuppgifter i en labbmiljö. För detta ändamål har en station, arbetsmoment och komponenter tagits fram och implementerats på ASSAR. Stationen har programmerats för att visa upp möjligheterna som roboten har att erbjuda i en samarbetscell med hjälp av ABB RobotStudio och online programmering.  Valet av robot var om möjligt att använda sig av ABB:s YuMi robot. Detta för att det var roboten som förstudien som arbetet bygger på använde sig av i dess modell samt byggde sin teori på och eftersom förstudiens arbete ligger till grunden för detta projekt.  Implementationen av stationen har genomförts i steg för att kunna testa olika upplägg och erhålla bättre förståelse av robotens egenskaper och vad den är kapabel att utföra i förhållande till räckvidd och flexibilitet. För att skapa de mer avancerade funktionerna i programmet användes offline programmering i ABB RobotStudio kombinerat med hjälp av online programmering. Funktionerna blir för avancerade för att skriva i en TeachPendant eftersom det blir långa rader med kod för att skapa de avancerade funktioner som roboten använder sig av för att utföra sina arbetsuppgifter.  Arbetet på ASSAR har lett till att ett flertal olika lösningar har tagits fram och tänkts över tills ett koncept valts och implementerats på ASSAR. Detta i form av en samarbetscell som visar upp olika funktioner för att utföra arbetsuppgifter i en labbmiljö med hjälp av YuMi-roboten ifrån ABB och ett arbetsbord som skapats under projektets gång.  Projektet har uppnått flertalet uppsatta mål för arbetet men några har inte uppnåtts, detta på grund av förseningar som uppkommit under projektets gång. Förseningarna har gjort att arbetsgången ändrats och det resultat som författaren försökt uppnå förändrats för att ta fram en samarbetscell och ge ett resultat åt projektet. / In a previous final year project, a study was carried out on how a robotic collaborative cell would work in a laboratory environment. In Arvid Bobergs "HRC Implementation in laboratory environment" the cell would be developed on behalf of Eurofins to work with chemical and microbiological analyses in agriculture, food and environment. To verify the suggested solutions, an implementation would need to be designed in a physical environment. The main purpose of the project was to develop a collaborative cell that would perform tasks in a lab environment. For this purpose, a station, work operations and components have been developed and implemented at ASSAR. The station has been programmed to showcase the possibilities the robot has to offer in a collaborative cell with the help of ABB Robot Studio and online programming. The choice of the robot was if possible, to make use of ABB's YuMi robot. This is because it was the robot that the pre-study that the work is based on used in its model and built its theory on and because the work of the feasibility study is the foundation of this project. The implementation of the station has been completed in steps to be able to test different structure and obtain a better understanding of the robot's characteristics and what it is capable to perform in relation to range and flexibility. To create the more advanced features of the program was used offline programming in ABB Robot Studio combined with the help of online programming. The functions become too advanced to write in a TeachPendant because there will be long lines of code to create the advanced functions that the robot uses to perform its tasks. The work at ASSAR has led to several different solutions being developed and thought over until a concept has been chosen and implemented at ASSAR. This in the form of a collaborative cell that showcases various functions to perform tasks in a lab environment using the YuMi robot from ABB and a worktable created during the project. The project has achieved several goals for the work, but some have not been achieved, because of delays that have arisen during the course of the project. The delays have made the workflow change and the result that the author has tried to achieve has changed to develop a collaborative cell and give a result to the project.

I och med att industri 4.0 är på frammarsch ställs höga krav på företag gällande bland annat kvalitet, flexibilitet samt snabba omställningstider. Examensarbetet skrivs för Högskolan i Skövde och Volvo GTO där fokus ligger på att identifiera möjliga människa-robot samarbeten i en manuell monteringslinje. Huvudmålet med examensarbetet är att ta fram en metod för att skapa en specifikation vid implementering av en virtuell människa-robot station. Hållbar utveckling har en central del i examensarbetet. Genom att reducera ergonomiskt belastande och stressrelaterade moment kan den sociala hållbarheten öka och i sin tur leda till mindre kassationer och kvalitetsavvikelser. Förutsättningarna som ligger till grund för arbetet analyseras och diskuteras där standardiserat arbetssätt är en central del. Fyra generella kollaborativa metoder beskrivs i arbetet samt färdigheter för en specifikt kollaborativ robot som fanns till förfogande under hela examensarbetet. Vid analyser av tidigare forskning belyses svårigheter gällande säkerheten vid implementeringen av en kollaborativ robot. En riskanalys av säkerheten rekommenderas att utföras när en layout och momentfördelningen mellan människa och robot är utformad. Genom att analysera och samla in data över befintliga stationer skall möjliga moment som en kollaborativ robot kan utföra identifieras. Analysen resulterade i att endast en station innehöll lämpliga moment, där av utfördes en momentanpassning på den stationen. Detta för att skapa en arbetssekvens där människa-robot samarbeten kan utföras. Fem moment identifierades för den kollaborativa roboten. Examensarbetet resulterade i två implementeringsförslag där skillnaden var stationens utformning. Skillnaden berörde en kåpans ursprungsplacering vilket kräver en förändring i den externa materialtillförseln. De nya arbetssekvenserna för de berörda varianterna reducerar människans arbetsbelastning då ergonomiskt belastande moment överförts till roboten. Den framtagna metoden för att skapa en specifikation är baserad på det genomförda examensarbetet där rekommendationer och metoder som är lämpliga att använda för ett liknande arbete är sammanställda. Vikten vid att skapa liknande grundförutsättningar för att tillämpa den framtagna metoden ligger i ett standardiserat arbetssätt. Som fortsatt arbete rekommenderas det att skapa en efterliknande station i en virtuell miljö där en riskanalys bör genomföras. Detta för att skapa en säker stationsmiljö. / As industry 4.0 is rising companies are obliged to work to increase their quality, flexibility and reduce their changeover time. The final year project is written for Högskolan I Skövde and Volvo GTO with focus to identify possible human-robot collaboration tasks in a manual assembly line. The main objective for the thesis is to developed a method for a specification for implementation of virtual collaboration station. A central point for the thesis is sustainable development. By reducing non ergonomically and stressful tasks, social sustainability can be increased which can lead to lead to less scrap and quality deviation. Presumptions for the thesis are analyzed and discussed where standardized work is a central and important part. Four general collaborations methods are mentioned. A specific collaborative robot where used and its proficiency analyzed during the work, a UR10e. Previous researched mentioned the safety issue related to implementation of a collaborative robot. A recommendation to properly ensure the safety is to perform a risk assessment when the work sequence and layout is generated. To identify potential tasks for the collaborative robot data related to the defined stations needs to be analyzed. The conclusion was that only one station included all the five identified potential tasks for the collaborative robot. This resulted in an adjustment of the work order for the selected station and thereby create a human robot collaboration. Two implementation suggestions where created and differed only in the location of a specific component. The new position for the component requires a reorganization of the material handling to the station. There are two categories of product variants and the new working sequences reduce the work load because tasks are performed by the robot. The generated method to create a specification is based on the work performed during the thesis. This method includes recommendation and methods which will facilitate similar projects. Standardize work is a key factor to create similar prerequisites. A recommendation for continual work is to create a virtual environment where a risk assessment can take place in order to generate a safe work environment.

Reinforcement Learning (RL) is popular to solve complex tasks in robotics, but using it in scenarios where humans collaborate closely with robots can lead to hazardous situations. In an autonomous warehouse, mobile robotic units share the workspace with human workers which can lead to collisions, because the positions of humans or non-static obstacles are not known by the robot. Such a scenario requires the robot to use some form of visual input from a lidar sensor or RGB camera, to learn how to adjusts its velocity commands to keep a safe distance and reduced speed when approaching obstacles. This is essential to train an RL-based robotic controller to be safe, however, it does not address the issue to make training itself safer, which in foresight is crucial to enable real-world training. This thesis proposes an agent setup with modified reward structure to train a local planner for a Turtlebot robot with lidar sensor that satisfies safety while maximizing the RL reward. Additionally, it presents a shielding approach that can intervene on a complex controller, by using a safe, sub-optimal backup policy in case the agent enters unsafe states. Two agents, an unshielded agent and one with shielding, are trained with this method in a simulated autonomous warehouse to investigate the effects of shielding during training. For evaluation we compare four conditions: Both agents are deployed once with activated shield and once without it. Those four conditions are analysed in regards to safety and efficiency. Finally, a comparison to the performance of the baseline Trajectory Planner is conducted. The results show that shielding during training facilitates task completion and reduces collisions by 25% compared to the unshielded agent. On the other hand, unshielded training yields better safety results during deployment. Generally, an active shield during deployment contributes to efficiency of the agent, independent of the training setup. The system design is integrated into the Robot Operating System (ROS) where its modular design makes the method compatible with different (RL) algorithms and deployable in OpenAI gym environments. / Reinforcement learning (RL) är en vanlig metod för att lösa komplexa uppgifter inom robotik. Användningen av den i scenarier där människor arbetar nära robotar kan dock leda till farliga situationer. I ett autonomt lager delar mobila robotenheter arbetsområdet med mänskliga arbetare, vilket kan leda till kollisioner eftersom roboten inte känner till människornas positioner eller icke-statiska hinder. I ett sådant scenario måste roboten använda någon form av visuell information från en lidarsensor eller RGB-kamera för att lära sig hur den ska anpassa sina hastighetsinstruktioner för att hålla ett säkert avstånd och minskad hastighet när den närmar sig hinder. Detta är viktigt för att träna RL-baserad robotstyrning så att den blir säker. Det löser dock inte problemet med att göra själva utbildningen säkrare, vilket är avgörande för att möjliggöra utbildning i den verkliga världen. I det här examensarbeten presenteras en agentuppsättning med en modifierad belöningsstruktur för att träna en lokal planerare för en Turtlebot robot med en lidarsensor. Detta ger säkerhet samtidigt som belöningen maximeras. Dessutom presenteras en skyddsmekanism som kan ingripa i det komplexa styrsystemet och byta till ett säkert, suboptimalt reservstyrprogram om agenten hamnar i osäkra tillstånd. Två agenter tränas med denna metod i ett simulerat autonomt lager, en agent utan och en med sköld, för att undersöka effekterna av sköldning under träningen. Fyra konfigurationer jämförs för utvärdering: Båda ämnena används en gång med skölden aktiverad och en gång utan. Dessa fyra konfigurationer analyseras med avseende på säkerhet och effektivitet. Slutligen görs en jämförelse med Trajectory Planner som utgångspunkt. Resultaten visar att skydd under träningen gör det lättare att slutföra uppgiften snabbare och minskar antalet kollisioner med 25% jämfört med en agent utan skydd. Å andra sidan leder träning utan avskärmning till bättre säkerhetsmätningar under arbetet. Generellt sett bidrar en aktiv sköld under installationen till agentens effektivitet, oavsett hur utbildningen är upplagd. Systemet är integrerat i Robot Operating System (ROS). Dess modulära utformning möjliggör kompatibilitet med olika RL-algoritmer, liksom användning av metoden i OpenAI gymmiljöer.

A collaborative robot is something of growing interest for companies in the manufacturing industries to implement. However, a collaborative robot is quite new in today’s market. An issue that arises is that no implementation process for collaborative robots exists today, as well as no requirement guide for skills, as well as actors, has been defined. The aim of this project was to examine how an implementation process of collaborative robots in manufacturing companies could look like. Focusing on charting the integration process steps of a collaborative robot, and identifying the actors as well as skills needed for successful cobot integration, with the aim achieve the goal of this thesis by answering the research questions. The thesis had the following research questions: Research Question 1 – How is an integration process for implementing a cobot represented in the manufacturing companies? Research Question 2 – What particular skills as well as actors are required when implementing in a cobot in the manufacturing companies? To answer the research questions, the author conducted several interviews with different companies. The interview questions were mainly constructed in order to answer the RQs but also to get an understanding for the different aspects of what a cobot is, what is required as well as how it compares to a traditional industrial robot. The thesis resulted in an implementation process with several steps constructed in order to implement a cobot as well as different aspects of what skills and actors are needed. In order to separate the aspects, the respondents were categorized into different roles which are the developer, integrator and the user. The different roles were all vital, providing an understanding from different perspectives. Keywords: Collaborative robot, cobot, Human-robot interaction, Human-Robot Collaboration, Development strategies, Automation, Industry 4.0.

Skapat av Högskolan i Skövde och på uppdrag av Elektroautomatik i Skövde har detta projekt genomförts för att identifiera möjliga människa-robot samarbeten i monteringsmiljö. Robotarna som funnits i åtanke för denna form av samarbete är kollaborativa robotar. I dagens industri existerar redan kollaborativa robotar men utför ofta uppgifter på en mer samexisterande nivå avskild från människan. Den form av människa-robot samarbete som undersökts i detta arbete är där båda parter assisterar varandra i en arbetsuppgift på gemensam yta. Detta koncept har blivit allt viktigare för dagens företag som efterfrågar ett mer flexibelt och anpassningsbart system i framtiden. Under projektet undersöktes även förbättringsförslag på nuvarande lösningar för kollaborativa robotar samt processen kring robotlösningen. Genom studerad litteratur utformades tre intervjuprotokoll avsedda för en intervjustudie med tre olika yrkesgrupper – montörer, produktionstekniker och ingenjörer. Intervjustudien utfördes i samarbete med företag i Skövde där kunskap extraherats från personer inom monteringsmiljö. Kärnfrågan i samtliga intervjuprotokoll var i vilka uppgifter i monteringsmiljö som intervjupersonen såg möjlighet till ett människa-robot samarbete. Insamlad data har transkriberats, strukturerats och sorterats för att kunna sammanställa ett resultat. Förslag på möjliga arbetsmoment som framkom under intervjustudien delades in i sex kategorier: Svåråtkomligt, tidskrävande, ergonomisk avlastning, logistik, kvalitet och produktvariation. Ett resultat presenteras där samarbetsuppgifter mellan människa och robot sammanställts från intervjustudien. Dessa har sorterats efter de sex kategorierna inom möjliga arbetsmoment. Övergripande förslag angavs under intervjustudien på vilken typ av uppgifter och områden en kollaborativ robot hade kunnat samarbeta med en människa. Dessa förslag föll under flera kategorier – exempelvis äntring av stort antal skruvar vilket kan kategoriseras enligt både ergonomisk avlastning och tidskrävande. Den kategori som genererat flest förslag är arbetsuppgifter där en kollaborativ robot kan erbjuda ergonomisk avlastning för människan. För att identifiera mer specifika arbetsuppgifter behöver ytterligare undersökning utföras baserat på de områden som identifierats i detta arbete. Den kollaborativa robotlösningen behöver kunna arbeta inom flera olika kategorier för att uppnå den framtida flexibla produktion som efterfrågas. / Created by the University of Skövde and assigned by Elektroautomatik in Skövde this project was executed to identify possible HRC tasks in the assembly industry. The robots that were reviewed for this type of collaboration tasks were collaborative robots. Collaborative robots already exists in today’s industry but are commonly working on a co-existing level separated from the human. The type of collaboration investigated during this project regards solving tasks where the human and robot assist each other on a common work surface. This concept has gained more importance for companies today because of the increasing demand of a more flexible and adaptable system for the future production. Improvement proposals has been generated during the project regarding the collaborative robot and its implementation process. Based on the researched literature three interview protocols was created for three different groups of professions – assemblers, production technicians and engineers. In collaboration with companies in Skövde the interviews were executed gathering knowledge from people working within the assembly environment. The main question in all interview protocols were in which type of assembly tasks the interviewed could see a possibility for HRC. Collected data has been transcribed, structured and sorted in order to reach a result. Proposals of possible HRC operations gathered from the interviews were divided into six categories – inaccessible, time demanding, ergonomic relief, logistics, quality and product variety. A result has been presented where HRC tasks has been compiled from the interviews. These has been sorted into the six categories generated from possible HRC operations. General ideas were proposed during the interviews regarding what possible type of tasks and areas a collaborative robot could work together with a human. In many cases the proposals given could be sorted into more than one category – for example assemble of a large amount of screws that could be categorized as both ergonomic relief and time demanding. The category that generated the largest amount of proposals of HRC were tasks intended to offer ergonomic relief for the human. To identify more specific HRC tasks further research need to be performed based on the categories of areas that has been identified in this project. The future collaborative robot solution has to be able to combine more than one category to reach the flexible and adaptable system that is demanded.

Human-robot collaboration (HRC) occurs when people and robots work together in a shared environment. Current robots often use rigid programs unsuitable for HRC. Multimodal robot programming offers an easier way to control robots using inputs like voice and gestures. In this scenario, human commands from different sensors trigger the robot’s actions. However, this data-driven approach has challenges: accurately understanding power dynamics, integrating inputs, and precisely controlling the robot. To address this, we introduce EEG signals to improve robot control, requiring reliable signal processing, feature extraction, and accurate classification using machine learning and deep learning. Existing deep learning models struggle to balance accuracy and efficiency. This thesis focuses on whether dilated convolutional neural networks can improve accuracy and reduce training and reaction times compared to the baseline. After using the Morlet wavelet for EEG feature extraction, in the thesis, an existing convolutional neural network as a benchmark is employed and uses the dilated convolution algorithm for comparison. Accuracy, precision, recall, and time are used to assess the comparison algorithm’s performance. The conclusion is that the dilated convolutional neural network performs better than the baseline in accuracy and time parameters. / Samarbete mellan människa och robot (HRC) inträffar när människor och robotar arbetar tillsammans i en delad miljö. Nuvarande robotar använder ofta rigida program som inte är lämpliga för HRC. Multimodal robotprogrammering erbjuder ett enklare sätt att styra robotar med hjälp av röst och gester. I detta scenario utlöser mänskliga kommandon från olika sensorer robotens handlingar. Dock har denna datadrivna ansats utmaningar: att noggrant förstå kraftdynamik, integrera inmatning och exakt styra roboten. För att hantera detta introducerar vi EEG-signaler för att förbättra robotstyrningen, vilket kräver pålitlig signalbehandling, funktionsextraktion och noggrann klassificering med maskininlärning och djupinlärning. Nuvarande djupinlärningsmodeller har svårt att balansera noggrannhet och effektivitet. Den här artikeln fokuserar på om dilaterade konvolutionella neurala nätverk kan förbättra noggrannheten och minska träningstider och reaktionstider jämfört med baslinjen. Efter att ha använt Morlet-våg för EEG-funktionsutvinning använder artikeln en befintlig konvolutionell neural modell som referens och jämför med dilaterad konvolution för att bedöma prestandan. Noggrannhet, precision, recall och tidsparametrar bedömer jämförelsealgoritmens prestanda. Slutsatsen är att det dilaterade konvolutionella neurala nätverket presterar bättre än baslinjen vad gäller noggrannhet och tidsparametrar.

The term Industry 4.0, sometimes referred to as a buzzword, is today on everyone’s tongue and the benefits undeniably seem to be promising and have potential to revolutionize the manufacturing industry. But what does it really mean? From a high-level business perspective, the concept of Industry 4.0 most often demonstrates operational efficiency and promising business models but studies show that many companies either lack understanding for the concept and how it should be implemented or are dissatisfied with progress of already implemented solutions. Further, there is a perception that it is difficult to implement the concept without interference with the current production system.The purpose of this study is to interpret and outline the main characteristics and key components of the concept Industry 4.0 and further break down and conclude the potential benefits and enablers for a manufacturing company within the heavy automotive industry. In order to succeed, a case study has been performed at a manual final assembly production unit within the heavy automotive industry. Accordingly, the study intends to give a deeper understanding of the concept and specifically how manual assembly within an already existing manual production system will be affected. Thus outline the crucial enablers in order to successfully implement the concept of Industry 4.0 and be prepared to adapt to the future challenges of the industry. The case study, performed through observations and interviews, attacks the issue from two perspectives; current state and desired state. A theoretical framework is then used as a basis for analysis of the result in order to be able to further present the findings and conclusion of the study. Lastly, two proof of concept are performed to exemplify and support the findings. The study shows that succeeding with implementation of Industry 4.0 is not only about the related technology itself. Equally important parts to be considered and understood are the integration into the existing production system and design and purpose of the manual assembly process. Lastly the study shows that creating understanding and commitment in the organization by strategy, leadership, culture and competence is of greatest importance to succeed. / Begreppet Industri 4.0, ibland benämnt som modeord, är idag på allas tungor och fördelarna verkar onekligen lovande och tros ha potential att revolutionera tillverkningsindustrin. Men vad betyder det egentligen? Ur ett affärsperspektiv påvisar begreppet Industri 4.0 oftast ökad operativ effektivitet och lovande affärsmodeller men flera studier visar att många företag antingen saknar förståelse för konceptet och hur det ska implementeras eller är missnöjda med framstegen med redan implementerade lösningar. Vidare finns det en uppfattning att det är svårt att implementera konceptet utan störningar i det nuvarande produktionssystemet. Syftet med denna studie är att tolka och beskriva huvudegenskaperna och nyckelkomponenterna i konceptet Industri 4.0 och ytterligare bryta ner och konkludera de potentiella fördelarna och möjliggörarna för ett tillverkande företag inom den tunga bilindustrin. För att lyckas har en fallstudie utförts vid en manuell slutmonteringsenhet inom den tunga lastbilsindustrin. Studien avser på så sätt att ge en djupare förståelse för konceptet och specifikt hur manuell montering inom ett redan existerande manuellt produktionssystem kommer att påverkas. Alltså att kartlägga viktiga möjliggörare för att framgångsrikt kunna implementera konceptet Industri 4.0 och på så sätt vara beredd att ta sig an industrins framtida utmaningar. Fallstudien, utförd genom observationer och intervjuer, angriper frågan från två perspektiv; nuläge och önskat läge. Ett teoretiskt ramverk används sedan som underlag för analys av resultatet för att vidare kunna presentera rön och slutsats från studien. Slutligen utförs två experiment för att exemplifiera och stödja resultatet. Studien visar att en framgångsrik implementering av Industri 4.0 troligtvis inte bara handlar om den relaterade tekniken i sig. Lika viktiga delar som ska beaktas och förstås är integrationen i det befintliga produktionssystemet och utformningen och syftet med den manuella monteringsprocessen. Slutligen visar studien att det är av största vikt att skapa förståelse och engagemang i organisationen genom strategi, ledarskap, kultur och kompetens.