Traducido del inglés al español - www.onlinedoctranslator.

com

Disponible en línea enwww.cienciadirecta.com

CienciaDirecta
Procedimiento CIRP 104 (2021) 38–43
www.elsevier.com/locate/procedia

54elConferencia CIRP sobre sistemas de fabricación

Evaluación de un Sistema de Asistencia al Trabajador Digital para habilitar la Tarea Adaptativa

Compartir entre humanos y cobots en la fabricación
Cristina Schmidbauera,*, Bernd Hadera, Sebastián Schlunda
aTU Wien, Instituto de Ciencias de la Gestión, Theresianumgasse 27, 1040 Viena, Austria

* Autor correspondiente. Tel.: +43-1-58801-33059; fax: +0-000-000-0000.Dirección de correo electrónico:Christina.Schmidbauer@tuwien.ac.at

Resumen

El futuro de los robots colaborativos (cobots) está moldeado por el deseo de una cooperación flexible y beneficiosa entre humanos y cobots. Revisamos el estado del arte
con respecto a la interacción humano-cobot en la fabricación. En este artículo, presentamos un sistema de asistencia al trabajador digital, basado en el lenguaje de
notación y modelo de procesos comerciales (BPMN), que permite a los no profesionales crear procesos de uso compartido de tareas adaptables (ATS) entre trabajadores
humanos y cobots en la fabricación. Se presentan los resultados de la evaluación de un estudio en línea del sistema de asistencia con respecto a los factores humanos y
los impactos en la productividad.

© 2021 Los autores. Publicado por Elsevier BV

Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0) Revisión
por pares bajo la responsabilidad del comité científico de la 54ª Conferencia CIRP sobre sistemas de fabricación

Palabras clave:sistema de asistencia al trabajador; compartir tareas; asignación de tareas; colaboración humano-robot; fabricación adaptativa;

1. Introducción más escalable y confiable (en términos de seguridad, protección y privacidad

La fabricación colaborativa simbiótica humano-robot se considera
una de las tendencias tecnológicas más prometedoras para
permitir ganancias de productividad en la fabricación. “Coloca la
interacción de humanos y máquinas en un entorno ciberfísico
donde los agentes humanos y robóticos interactúan en un entorno
de trabajo compartido para resolver algunas tareas complejas que
requieren la combinación de sus mejores competencias
complementarias”. [1, p.703] . Sin embargo, el potencial aún no se
utiliza, ya que menos del cuatro por ciento de las instalaciones de
robots en 2018 fueron robots colaborativos (cobots) [2]. Para
liberar todo el potencial de la interacción humano-cobot en la
fabricación, persisten los siguientes desafíos [1]:
• Todavía prevalecen varios problemas técnicos y tecnológicos, como la
detección y el reconocimiento de gestos, la prevención activa de
colisiones y la planificación dinámica de tareas y movimientos.
• La seguridad, la protección y la privacidad deben integrarse en el
desarrollo y la implementación de aplicaciones mucho más rápido,
certificadas para todas las partes interesadas involucradas).
• En términos de uso intuitivo, los cobots recientes todavía tienen un
rendimiento inferior, ya que su interfaz hombre-máquina se adapta a
las necesidades de los expertos [3]. Para lograr una amplia aplicación en
la fabricación, se considera que se vuelven tan intuitivos y fáciles de
usar como herramientas como destornilladores o teléfonos inteligentes,
por ejemplo, mediante la implementación de enfoques de
programación multimodal [4].
• Muchas aplicaciones de cobots en la práctica industrial se centran en la
implementación técnica o en su impacto en la ergonomía o la carga
cognitiva. Teniendo en cuenta la organización del trabajo, los conceptos
se basan principalmente en paradigmas sobrantes o compensatorios
tradicionales y, por lo tanto, dejan de lado el potencial de formas más
flexibles de organizar el equipo humano-cobot.
Este último está directamente relacionado con uno de los temas más
importantes de los factores humanos: encontrar la asignación correcta de tareas
entre humanos y máquinas. Durante las últimas décadas, la asignación de tareas
complementarias ha sido predominantemente aceptada como la más

2212-8271©2021 Los Autores. Publicado por Elsevier BV

Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0)
Revisión por pares bajo la responsabilidad del comité científico de la 54.ª Conferencia CIRP sobre sistemas de fabricación
10.1016/j.procir.2021.11.007
 Cristina Schmidbauer et al. / Procedimiento CIRP 104 (2021) 38–43
forma adecuada de crear equipos humano-máquina en términos de
rendimiento óptimo y objetivos de factores humanos como la
ergonomía, la carga mental, la capacidad de aprendizaje y los aspectos
motivacionales. Aunque el concepto se recomienda a menudo, rara vez
se implementa en la práctica industrial.
Por esa razón, introdujimos el uso compartido adaptativo de tareas
(ATS) para la interacción humano-robot (HRI) para permitir la
asignación de tareas complementarias en la configuración del taller de
fabricación [5]. A diferencia de los enfoques compensatorios, las tareas
que pueden ser ejecutadas por robots y humanos no se asignan
estáticamente a uno de ellos, sino que se asignan al grupo de tareas
compartibles. ATS es una "mentalidad propuesta que contribuye a los
procesos de fabricación esbeltos y adaptativos, al fomentar la
flexibilidad, la productividad y la participación del proceso dentro de la
operación de ensamblaje" [5, p.5]. Ofrece beneficios como
transparencia, autodeterminación, flexibilidad, productividad,
escalabilidad, pero genera esfuerzos adicionales en el desarrollo de
aplicaciones y en las operaciones, ya que las tareas deben diseñarse y
programarse tanto para humanos como para robots. Ya se está
trabajando de forma independiente en sistemas estandarizados,
modulares y y, por lo tanto, aplicaciones rápidamente configurables y
programables de varios fabricantes de robots [6,7] e investigadores [4].
Sin embargo, se necesitan herramientas para reducir al mínimo los
esfuerzos adicionales y visualizar las ventajas de ATS. En este artículo,
buscamos un sistema digital de asistencia al trabajador (WAS) fácil de
usar para permitir el cambio de tareas de humano a cobot y viceversa
y, por lo tanto, abordar la pregunta de investigación:
"¿Cómo se puede aplicar y visualizar la distribución adaptativa de tareas
para el trabajador en la fabricación?"
Para desarrollar un sistema de este tipo, identificamos cinco requisitos
(requisitos) para un WAS digital que permita ATS entre trabajadores y robots
en la fabricación:
Req.1. Visualización del modelo ATS: visualice las tareas humanas,
robóticas y compartibles,
Req.2. Visualización de la secuencia de tareas, Conexión en
Req.3. línea al software del robot, Impacto positivo en la
Req.4. productividad: fácil y rápido de implementar, y
Req.5. Factores humanos - fácil de entender y útil para los
no profesionales.
Al cumplir con estos requisitos establecidos, nos esforzamos por
alcanzar una de las condiciones previas de la HRI simbiótica: los
agentes aplican, al menos parcialmente, representaciones compartidas
del entorno en el que están operando, que es el requisito previo para
alinear sus objetivos, roles, planes y actividades (conjuntas) [ 1]. Por lo
tanto, el trabajo contribuye a la hipótesis general de que la asignación
de tareas complementarias es más productiva y menos estresante para
los empleados. En este documento, presentamos nuestro concepto
ATS, así como los posibles métodos existentes para la implementación
en la sección 2. En la sección 3, se explica la arquitectura detallada del
sistema y la implementación del WAS digital para habilitar ATS, seguida
de la sección 4, los resultados de la evaluación del WAS. Discutimos los
resultados en la sección 5 y las conclusiones en la sección 6.
39
2. Interacción humano-cobot en la fabricación
2.1. Uso compartido de tareas adaptativo
La asignación de tareas entre trabajadores y robots es una parte
esencial de la planificación de un lugar de trabajo cobot en la
fabricación [1,8]. Para permitir una producción flexible, se prefieren los
procesos dinámicos a los estáticos. En la literatura, los procedimientos
dinámicos se refieren a algoritmos que deberían reaccionar
dinámicamente a situaciones y eventos y así reconfigurar la asignación
de tareas [1,9,10]. Sin embargo, esto significaría que un ser humano
tendría que preprogramar todas las eventualidades o que el sistema
tendría que aprender una multitud de eventualidades sobre la base de
datos recopilados previamente, para poder ofrecer deducciones en una
nueva situación. En la práctica, esto aún no es factible, excepto en
entornos de laboratorio. Otra desventaja de este enfoque
preprogramado o de aprendizaje automático es la exclusión de los
humanos del sistema. Sería muy difícil para el trabajador entender
cómo y por qué el sistema le ha asignado las tareas. La transparencia y
la explicabilidad, dos cuestiones cada vez más importantes en robótica
e inteligencia artificial [11], serían difíciles o incluso imposibles de
realizar.
Gualtieri et al. [12, p.337] mencionan “un sistema donde el operador
pueda elegir en tiempo real e indiscriminadamente qué tarea será la
siguiente de acuerdo a sus necesidades y deseos podría mejorar
significativamente las condiciones de ergonomía cognitiva, el bienestar
psicológico de los operadores, y flexibilidad de producción. Por
supuesto, esta sería la implementación perfecta de un diseño centrado
en el ser humano en el contexto de la Industria 4.0”.
Por estas razones, Schmidbauer et al. [5] sigue el enfoque de que el
sistema debe proponer una división de tareas, pero no asignar tareas
que puedan ser ejecutadas por ambos agentes de forma estática, sino
dejar esta decisión en manos de humanos en base a recomendaciones
de posibles alternativas. ATS [5] es un método para complementar los
enfoques de asignación de tareas existentes por parte de un trabajador
autodeterminado que tiene el control del sistema humano-robot. Las
tareas se asignan una vez al humano, al robot o a ambos. Este último
puede ser compartido entre los agentes durante la interacción de
manera flexible. Esto permite una división del trabajo fácilmente
implementable sin tener que programar cada eventualidad por
adelantado. En caso de requisitos especiales del cliente (tamaños de
lote muy pequeños, requisitos de alta calidad, productos hechos a
medida, etc.) ) o interrupciones o cambios imprevistos en el proceso, el
ser humano en el proceso de producción puede reaccionar con
flexibilidad. Al no ceder la responsabilidad del humano a la máquina
(software), se aumenta la transparencia del proceso. Para habilitar
esto, son necesarios escenarios de interacción y una interfaz de usuario
que visualice la información sobre las tareas de los dos agentes.
2.2. Programación y control de cobots en la fabricación
Los investigadores trabajan en varios escenarios de interacción
para mejorar y facilitar la interacción entre humanos y robots en la
fabricación. Se están desarrollando y evaluando sistemas adaptativos
basados en la voz humana [4], gestos/movimientos corporales [13],
ondas cerebrales [14] y realidad aumentada [15]. La mayoría de estos
conceptos aún se encuentran en una etapa temprana de desarrollo y
aún no se pueden utilizar en la fabricación además de proyectos piloto.
40 Cristina Schmidbauer et al. / Procedimiento CIRP 104 (2021) 38–43
Las más prometedoras a corto plazo son las interfaces gráficas de
usuario (GUI) intuitivas combinadas con la programación por
demostración, como la guía manual para controlar e interactuar
con los cobots [16]. Estos se pueden integrar más fácilmente en los
entornos de producción existentes y se pueden utilizar sin una
formación exhaustiva.
2.3. Sistema de Asistencia al Trabajador Digital
En entornos industriales, los sistemas de asistencia,
también llamados sistemas de asistencia, se utilizan para
ayudar a los trabajadores a concentrarse en sus competencias
básicas esenciales [17]. La tendencia hacia tamaños de lote
más pequeños y un aumento en el número de variantes
conduce inevitablemente a una mayor tensión mental entre los
empleados en el montaje manual [18]. Esto a su vez reduce la
productividad y aumenta la susceptibilidad a errores [18]. La
cooperación de trabajadores y cobots con el apoyo de un
sistema de asistencia al trabajador puede ser la clave para
superar este problema. Sin embargo, se presta poca atención a
la combinación de estas dos direcciones de investigación [19].
Utilizando un lenguaje de modelado gráfico adecuado,
ampliado con la posibilidad de ejecución directa y
almacenamiento de información adicional,
3. Sistema de asistencia al trabajador digital para habilitar el uso compartido de tareas
adaptativo
3.1. Modelado de procesos
Para visualizar el modelo ATS con sus tareas y agentes
se buscó un lenguaje común. Otros han adoptado este
enfoque con el lenguaje de modelado unificado [20] y el
lenguaje de notación y modelos de procesos comerciales
(BPMN) [21]. BPMN es una notación basada en lenguaje de
marcado extensible gráfico (xml) para crear procesos de
negocios [22]. Vemos ventajas significativas en BPMN,
debido a su orientación hacia los procesos y puede ser
entendido por todos los grupos de usuarios involucrados
(analistas de negocios y usuarios, desarrolladores técnicos
y profesionales). BPMN parece ser muy adecuado para HRI
porque ofrece el concepto de piscinas y carriles, lo que
hace posible presentar procesos colaborativos de una
manera muy simple y transparente. Otra ventaja
significativa de BPMN es que desde la versión 2.
3.2. Arquitectura del sistema
La arquitectura del WAS implementado, que se muestra en la Fig. 1,
consta esencialmente de los siguientes cuatro elementos [23]:
• Interfaz de usuario basada en web,
• Motor Camunda BPMN,
• Cliente de tareas JavaScript (JS) de nodo externo, y
• el Franka Emika Panda Cobot.
Interfaz de usuario basada en web:La GUI, que permite la
creación y ejecución de procesos hombre-máquina, se implementó
como una solución basada en web utilizando el hipertexto
Lenguaje de marcado (HTML), hojas de estilo en cascada (CSS) y
JavaScript. El proyecto de código abierto bpmn.io [24] sirvió como base.
La GUI consta esencialmente de tres áreas principales, que se
muestran en la Fig. 2:
• En el lado izquierdo, está el área de trabajo que incluye la paleta de
herramientas. Aquí, el usuario crea el proceso colaborativo con los
elementos clásicos de BPMN.
• En el área de la derecha se pueden definir diferentes parámetros
en función del elemento seleccionado (usuario o tarea de servicio).
Para tareas de usuario (humanas), es posible agregar instrucciones
en forma de texto e imágenes. Para tareas de servicio (robot), el
usuario debe definir el comando, que debe ser ejecutado por el
robot, en el menú de la derecha.
• La tercera sección está definida por la barra verde en la parte superior,
que permite al usuario iniciar y detener el programa.
Durante la ejecución, todos los menús están ocultos para que el foco esté en
el proceso. La tarea actualmente activa se resalta mediante una animación.
Si es una tarea de usuario, se muestra información adicional que se
encuentra almacenada. Una vez que el usuario ha completado el paso de
trabajo, se realiza una confirmación haciendo clic en la tarea respectiva. En
el caso de las tareas de servicio, la interfaz de usuario del cobot se muestra
en el área inferior, para que el usuario pueda ver qué paso de trabajo está
realizando actualmente el robot (p. ej., mover, agarrar, transportar).
Motor BPMN:El elemento central del sistema es el Motor BPMN.
Su tarea principal es monitorear y ejecutar los flujos de trabajo
creados [25]. Para la implementación se utilizó el motor BPMN de
código abierto de Camunda [26]. La comunicación entre la GUI
basada en la web y el motor BPMN se ejecuta a través de la
Interfaz de programación de aplicaciones de transferencia de
estado representacional (API REST); se puede encontrar una
descripción detallada en [23].
Nodo externo JS Task Client y Franka Emika Panda Cobot:Para la
ejecución de las tareas de servicio del motor BPMN se utiliza el
llamado cliente de tareas. Esta es una aplicación de Node JS que
recupera tareas de servicio abiertas. El cliente de tareas inicia la
tarea correspondiente del cobot a través de la API REST. Además,
fue necesario implementar una máquina de estado, que monitorea
el estado de la tarea del robot durante su ejecución.
Fig. 1. Arquitectura del sistema.
Fig. 2. Interfaz de usuario con sus tres áreas: (1) área de trabajo con paleta de herramientas, (2) configuraciones para
tareas de servicio e instrucciones para tareas de usuario, y (3) botón de inicio y parada.
 Cristina Schmidbauer et al. / Procedimiento CIRP 104 (2021) 38–43 41

4. Evaluación 4.2. Cuestionario

El propósito del estudio de evaluación fue evaluar los
requisitos, descritos en la sección 1. Los requisitos 1-3
fueron evaluados en términos de la funcionalidad del
sistema. Esto se probó mediante la implementación del
sistema en el robot Franka Emika Panda en la Fábrica Piloto
para la Industria 4.0 en la TU Wien, Austria. En la GUI, se
crearon dos carriles (de natación) para distinguir y
visualizar las tareas humanas y de cobot (Requisito 1). Las
tareas compartibles, en forma de un tercer carril, aún no se
han implementado, pero se pueden crear como tareas de
servicio y se pueden mover a uno de los otros dos carriles
según la situación. La secuencia del proceso (Req. 2) se
cumple con la representación en BPMN. La GUI se puede
controlar y utilizar en línea con el programa de robot
(Requisito 3). El software,
Los requisitos 4 y 5 se evaluaron a través de un estudio de
evaluación en línea con participantes externos. Los impactos en la
productividad (Req. 4) se evaluaron a través del seguimiento del tiempo
durante la tarea, que debe cumplirse durante el estudio. Se informó a
los participantes sobre el cronometraje, pero no había un cronómetro
separado visible para los participantes, para no inducir una presión
externa. Además, todas las soluciones de los participantes fueron
verificadas en busca de errores. Brooke [28] evaluó la facilidad de uso y
la comprensión del sistema (Requisito 5) a través de la Escala de
usabilidad del sistema (SUS) y una evaluación de la carga de tareas
utilizando NASA-TLX [29, p. 304].
El cuestionario constaba de preguntas demográficas relacionadas
con el sexo, la edad, la educación y el trabajo actual. La usabilidad del
sistema fue cuestionada por las diez preguntas del SUS. La carga de
tareas se determinó mediante las siguientes preguntas:
RTLX 1. ¿Cuán exigente mentalmente fue la tarea? ¿Cuán
RTLX 2. exigente físicamente fue la tarea? ¿Qué tan
RTLX 3. apresurado o apurado fue el ritmo de la tarea? ¿Qué
RTLX 4. tan exitoso fue usted en lograr lo que se le pidió que
hiciera?
RTLX 5. ¿Qué tan duro tuvo que trabajar para alcanzar su
nivel de desempeño?
RTLX 6. ¿Qué tan inseguro, desanimado, irritado, estresado y
molesto estaba usted?
Adicionalmente, se indagó la experiencia previa con codificación,
robots, modelado de procesos, BPMN y tecnología así como las
creencias individuales sobre la compatibilidad de una tecnología (TC)
[30]. El cuestionario TC constaba de un total de 19 preguntas sobre la
actitud personal hacia la tecnología, por ejemplo, “Tengo una buena
relación con la tecnología y las máquinas” y “Creo que la mayoría de las
tecnologías son fáciles de aprender”; y preguntas sobre la
compatibilidad percibida con la experiencia, los valores y la utilidad,
por ejemplo, "Usar un sistema de este tipo se adaptaría a mi rutina de
trabajo preferida". Las preguntas se realizaron utilizando una escala
tipo Likert de 5 puntos (1: nada de acuerdo, 5: totalmente de acuerdo).

4.1. Diseño del estudio 4.3. Participantes

Debido a la pandemia de Covid-19 en 2020, el estudio tuvo que
configurarse y realizarse en línea. Creamos un sitio web dedicado
en alemán: https://www.ilovecobots.at/. Primero, se presentó a los
visitantes del sitio web el experimento, la naturaleza voluntaria de
la participación y la regulación GDPR del experimento. Después de
que dieron su consentimiento, se les presentó la tarea, que debía
realizarse en línea.
Se pidió a los participantes que asumieran el trabajo de asignador
de tareas y modelaran un proceso corto humano-robot utilizando
BPMN. El proceso constaba de seis tareas, de las cuales dos debían
En total, 51 participantes (mujeres = 21, hombres = 30) participaron
en el estudio en línea. Los datos demográficos se muestran en la Tabla
1. 14 participantes (27 %) indicaron que ya habían interactuado con un
cobot y 10 mencionaron que habían programado un cobot. 34 (67%)
participantes se indicaron como programadores de nivel principiante,
intermedio o experto. Más de la mitad (59%) tenía experiencia con el
modelado gráfico de procesos y el 60% de ellos tenía experiencia en el
uso de BPMN.
Tabla 1. Datos demográficos de los participantes (n = 51, una persona no proporcionó

asignarse al humano y las otras al robot. Después de modelar el información sobre su edad).

proceso, los participantes también debían vincular las tareas de Categoría Característica Frecuencia Porcentaje (%)

servicio con el comando del robot en la interfaz. Los programas del Femenino 21 41
robot se preprogramaron de tal manera que no se pidió a los Género Masculino 30 59
participantes que programaran el robot ellos mismos. La interfaz de Diversos 0 0
< 20 0 0
usuario en línea del WAS era visualmente la misma en comparación 20-29 31 61
con la interfaz de usuario del robot, consulte la Fig. 3. Dado que el 30-39 10 20
Años
robot también se opera a través de una interfaz de PC y un navegador 40-49 2 4
de Internet, no hubo diferencia en la interacción física. Faltaba la 50-59 5 10
> 59 2 4
presencia física del robot cuando se ejecutaba una tarea, pero las
Trabajador 1 2
tareas individuales del robot fueron filmadas y reproducidas a los Empleado 29 57
participantes durante el experimento en línea. Esto también permitió a Trabajadores por cuenta propia 2 4
0 0
Trabajo

los participantes ver si la tarea se resolvió correctamente. Alumno

Alumno 18 35
Posteriormente, los participantes completaron nuestro cuestionario.
Otros 1 2
Enseñanza obligatoria 1 2
Aprendizaje 4 8
Educación Escuela superior sin A-levels A- 5 10
Levels 8 dieciséis

Universidad 33 sesenta y cinco

42
4.4. Resultados
Los datos recopilados mostraron correlaciones significativas
entre el SUS, el RTLX 1 y el RTLX 3-6. Esto apoya la validez de las
preguntas individuales y los conceptos consultados.
Impactos en la productividad:Los participantes tardaron en
promedio 7:44 minutos en realizar la tarea. La persona más rápida
requirió 3:07 minutos y la persona más lenta 43:27 minutos. No fue
un experimento supervisado y los participantes podrían haber
parado y comenzado durante el experimento tantas veces como
quisieran, lo que se asume en relación con la duración máxima
porque la segunda persona más lenta solo requirió 19:31 minutos.
La distribución de la duración se muestra en la Fig. 4.
Ocho (15,7%) participantes no pudieron terminar la tarea sin ningún
error. Se consideraron errores de secuencia (orden incorrecto, elementos
faltantes), errores de elementos incorrectos (tarea de usuario en lugar de
tarea de servicio) y errores de asignación de tareas de robot (usando
"transistor de transporte 1" en lugar de "disipador de calor de transporte").
Los resultados de duración y la tasa de error respaldan en gran medida
nuestra Req. predefinida. 4 en cuanto a la fácil y rápida implementación. Sin
embargo, los resultados también indican una necesidad de acción, que se
explicará en la discusión.
Factores humanos:La creencia promedio sobre el TC individual
estuvo por encima del promedio (Ø = 3.85, SD = .436) con un Alfa de
Cronbach de .765. Esto indica una actitud positiva de los participantes
hacia la tecnología en general y hacia nuestro sistema. Los resultados
mostraron una excelente puntuación de usabilidad del sistema (86, SD
= 12). La escala SUS va de 0 a 100, siendo 0 lo peor imaginable y 100 lo
mejor imaginable. Todas las variables relacionadas con la carga de
tareas (RTLX) para los trabajadores se calificaron como bajas y el éxito
percibido (RTLX 4) como alto, consulte la Fig. 5. En general, la excelente
puntuación SUS y los muy buenos resultados de la carga de tareas
respaldan nuestro Requisito 5, que el sistema es fácil de entender para
los no profesionales.
Sin embargo, los datos presentaron una correlación positiva
significativa entre el éxito percibido (RTLX 4) y la experiencia con
lenguajes de modelado de procesos en general (coef. = .441, p <
.01). Los resultados también mostraron una correlación positiva
significativa entre el SUS y la experiencia con BPMN (coef. = .422, p
< .05). Pero los resultados no indicaron correlaciones significativas
entre una experiencia con BPMN y la realización correcta de la
tarea (coef. = .110, p = .561) o la duración (coef. = -.140, p = .462).
Esto muestra que los participantes que tenían experiencia con el
modelado de procesos, en particular BPMN, encontraron que el
sistema de asistencia era más fácil de usar, pero los participantes
sin experiencia también pudieron ejecutar la tarea sin desventajas
significativas.
Fig. 3. Capturas de pantalla del sistema de asistencia al trabajador: interfaz de usuario del sistema de
asistencia al trabajador durante el modelado del proceso (izquierda) y la ejecución (derecha).
Cristina Schmidbauer et al. / Procedimiento CIRP 104 (2021) 38–43
Fig. 4. Distribución de la duración de la ejecución de tareas de los participantes (n = 51)
incluidos los valores atípicos en minutos.
Figura 5. Resultados promedio respecto a las seis variables de carga de tareas del RTLX
(n = 51) en una escala Likert de 5 puntos (1: muy baja, 2: baja, 3: media, 4: alta, 5: muy
alta) .
5. Discusión
Los resultados muestran que el WAS desarrollado es adecuado
para una implementación productiva y fácil de usar del concepto
ATS. Aunque cumple con los requisitos establecidos, aún necesita
ser desarrollado y ampliado. Se debe implementar la
representación de las tareas compartibles y las opciones de
asignación de tareas para el usuario. El sistema desarrollado
actualmente permite la representación de un humano y un robot.
Si varios humanos o cobots están involucrados en el proceso, el
sistema debería expandirse y deberían considerarse medidas
organizativas adicionales.
Una limitación del estudio fue que no hubo interacción directa con
el sistema robótico, ya que solo se realizó en línea. La investigación
mostró respuestas conductuales y de actitud más fuertes a un agente
robótico físicamente presente en comparación con uno virtualmente
presente [17]. La comparación con un HRI físico se realizará durante
futuras investigaciones. Otra limitación de los resultados del estudio es
la composición de los participantes, la mayoría de los cuales eran
empleados o estudiantes, con un alto nivel de educación, y es poco
probable que se conviertan en trabajadores en el taller y trabajen
directamente con un robot en el futuro. Es más probable que estos
participantes tengan puestos en los que puedan influir en el HRI en la
fabricación, como por ejemplo, ingenieros robóticos o planificadores
de producción.
En cuanto a los impactos en la productividad, se puede lograr una
reducción de la tasa de error y la duración a través de procesos de
aprendizaje. La usabilidad del WAS se calificó como excelente y la carga
de tareas percibida al trabajar con el sistema como asignador de tareas
fue baja. Suponemos que ni la tarea ni la GUI eran muy complejas, y los
usuarios lograrán una curva de aprendizaje empinada. Luego de
repetidas interacciones, pero sin prisas, logramos una duración de
alrededor de 3:30 minutos para modelar el proceso. Este puede ser un
tiempo objetivo realista, aunque debe tenerse en cuenta nuevamente
que la programación del robot debe realizarse por separado. Esta vez
 Cristina Schmidbauer et al. / Procedimiento CIRP 104 (2021) 38–43
se agrega como un tiempo de implementación adicional para el
proceso de HRI. Las ventajas de ATS en términos de adaptabilidad
a los cambios y mejora de los factores humanos, que inciden
positivamente en la eficiencia del proceso, compensarán este
esfuerzo adicional.
6. Conclusión y trabajo futuro
En este documento, presentamos un sistema de asistencia al trabajador
para permitir la distribución adaptativa de tareas en la fabricación. El
sistema se evaluó dentro de un estudio en línea desde el punto de vista del
usuario, en el que el usuario puede ser un diseñador/planificador de
producción o también un trabajador/operador de máquina. La evaluación
incluye múltiples aspectos, como la duración del modelado de procesos, las
tasas de error, la usabilidad y la carga de tareas. Los resultados del estudio
mostraron una excelente puntuación de usabilidad (Ø SUS = 86) del sistema
y variables de carga de tareas bajas. La duración promedio lograda de la
finalización de la tarea y la tasa de error se perciben como aceptables, pero
mostraron que es necesaria una fase de capacitación para mejorar la
eficiencia en el uso del sistema.
En conclusión, el sistema de asistencia al trabajador presentado es
adecuado para ser utilizado para compartir tareas adaptativas. Otros
desarrollos incluyen la integración de las tareas compartibles y el
modelo matemático subyacente para facilitar la asignación previa de
tareas al humano, robot o compartibles. Esto incluye la introducción de
criterios como la carga de trabajo cognitiva y física, las preferencias del
trabajador o la calidad. Estos criterios deberán ser visibles para los
trabajadores para apoyarlos en el proceso de toma de decisiones de
asignación de tareas. Un estudio de usuario en el que trabajadores de
fabricación experimentados trabajarán directamente con el WAS y un
cobot es parte del trabajo futuro.
Agradecimientos
Esta investigación cuenta con el apoyo de la Agencia de
Promoción de la Investigación de Austria (FFG) y el Ministerio
de Acción Climática, Medio Ambiente, Energía, Movilidad,
Innovación y Tecnología de Austria (BMK) a través de la cátedra
"HCCPPAS" (FFG-852789) y el "CoMeMak" proyecto
(FFG-871459), y la escuela de doctorado "Trust Robots" en TU
Wien. En particular, los autores quisieran agradecer al Dr.
Tudor B. Ionescu por su apoyo en el desarrollo del concepto
ATS y WAS ya la Sra. Tanja Zigart por su apoyo en la creación y
aplicación del cuestionario para este estudio.
Referencias
[1] Wang L, Gao R, Váncza J, Krüger J, Wang XV, Makris S, Chryssolouris
G. Ensamblaje colaborativo humano-robot simbiótico. CIRP Annals -
Tecnología de fabricación 68, 2019, p. 701-726.
[2] Federación Internacional de Robótica (IFR), Desmitificando la robótica colaborativa.
Documento de posicionamiento, 2019.
[3] Schmidbauer C, Komenda T, Schlund S. Enseñanza de cobots en fábricas de
aprendizaje: implicaciones impulsadas por el usuario y la usabilidad.
Fabricación de Procedia, vol. 45, 2020, pág. 398-404.
[4] Ionescu TB, Schlund S. Un enfoque y marco de programación basado en voz
para brazos robóticos colaborativos. Procedimiento CIRP 97, 2020, pág.
123-129.
[5] Schmidbauer C, Schlund S, Ionescu TB, Hader B. Compartir tareas adaptativas
en la interacción humano-robot en el ensamblaje. En: Actas IEEE
43
Congreso Internacional de Ingeniería Industrial y Gestión de la
Ingeniería (IEEM), 2020, p. 546-550.
[6] Kits de aplicación de Universal Robots: https://www.universalrobots.com/
plus/urplus-application-kits/ (consultado el 29/10/2020)
[7] Franka Emika World: https://world.franka.de/ (consultado el
29/10/2020)
[8] Ranz F, Hummel V, Sihn W. Asignación de tareas basada en la capacidad en la colaboración
entre humanos y robots. Procedia Fabricación 9, 2018, pág. 182-189.
[9] Lamon E, De Franco A, Peternel L y Ajoudani A. Un enfoque de asignación de roles consciente
de la capacidad para las tareas de ensamblaje industrial. Letras de robótica y
automatización de IEEE, vol. 4, No.4, octubre de 2019, pág. 3378-3385.
[10] Chen F, Sekiyama K, Cannella F, Fukuda T. Asignación óptima de subtareas para la
colaboración entre humanos y robots dentro del sistema de ensamblaje híbrido.
IEEE Transactions on Automation Science and Engineering, Vol.11, No.4, octubre
de 2014, p. 1065-1075.
[11] Zakershahrak M, Gong Z, Sadassivam N, Zhang Y. Generación de explicaciones en
línea para tareas de planificación en equipos humano-robot. En: Actas de la
Conferencia internacional IEEE/RSJ sobre robots y sistemas inteligentes (IROS), del
25 al 29 de octubre de 2020, Las Vegas, NV, EE. UU. (Virtual).
[12] Gualtieri L, Rojay RA, Ruiz Garcia MA, Rauch E, Vidoni R. Implementación de
un estudio de caso de laboratorio para la colaboración intuitiva entre el
hombre y la máquina en el ensamblaje de SME. En: DT Matt et al. (eds.),
Industria 4.0 para pymes. 2020, pág. 335-382.
[13] Telleaeche A, Kildal J, Maurtua I. Un sistema flexible para la interacción humano-
robot basada en gestos. Procedimiento CIRP 72, 2018, pág. 57-62.
[14] Mohammed A, Wang L. Ensamblaje colaborativo humano-robot avanzado utilizando
señales de electroencefalograma de cerebros humanos. Procedimiento CIRP, vol.
93, 2020, pág. 1200-1205.
[15] Rupprecht P, Kueffner-McCauley H, Schlund S. Suministro de información utilizando
un sistema de proyección dinámica en el montaje de sitios industriales.
Procedimiento CIRP, vol. 93, 2020, pág. 1182-1187.
[16] El Zaatari S, Marei M, Li W, Usman Z. Programación de cobots para tareas
industriales colaborativas: una descripción general. Robótica y Sistemas
Autónomos vol. 116, 2019, pág. 162-180.
[17] Bischoff J, Taphorn C, Wolter D, Braun N, Fellbaum M, Goloverov A.
Erschließen der Potenziale der Anwendung von Industrie 4.0. Estudio
BMWi, 2015.
[18] Bornewasser M, Bläsing D, Hinrichsen S. Integración de sistemas de asistencia de
información en ensamblaje manual: ¿una herramienta útil para reducir la carga de
trabajo mental? Zeitschrift für Arbeitswissenschaft 72, 2018, pág. 24-27.
[19] Wolfartsberger J, Haslwanter J, Lindorfer René. Perspectivas de los sistemas de
asistencia para tareas de montaje manual en la industria. Tecnologías 7.12, 2019.
[20] Guiochet J, Tondu B, Baron C. Integración de UML en el análisis de factores
humanos para la seguridad de un robot médico para teleecografía. En: Actas
de Robots y Sistemas Inteligentes IROS, 2003, p. 3212-3217.
[21] Froschauer R, Lindorfer R. Programación basada en el flujo de trabajo de la
interacción humano-robot para estaciones de ensamblaje colaborativas. En:
Actas del Taller ARG & OAGM, 2019, p. 85-90.
[22] Dios mío. Modelo y Notación de Procesos de Negocio (BPMN) Versión 2.0. 2011.
[23] Hader B. Programación intuitiva de procesos colaborativos de robots humanos. Trabajo Fin
de Máster, 2020.
[24] BPMN.IO: https://bpmn.io (consultado el 17/11/2020)
[25] Gadatsch A. Grundkurs Geschäftsprozess-Management. 2017.
[26] CAMUNDA: https://camunda.com (consultado el 17/11/2020)
[27] Instrucciones y video que ilustran el sistema de asistencia al trabajador:
https://github.com/berndhader/BPMN-Extension-Franka-Emika-Desk
(consultado el 12/06/2020)
[28] Brooke J. SUS: una escala de usabilidad rápida y sucia, en: PW Jordan, B.
Thomas, BA Weerdmeester y AL McClelland (eds.) Evaluación de
usabilidad en la industria, Taylor y Francis, 1996.
[29] Stanton NA, Salmon PM, Rafferty LA, Walker GH, Baber C, Jenkins DP. En:
Métodos de factores humanos: una guía práctica para ingeniería y diseño.
2Dakota del Norteedición, 2013.
[30] Karahanna E, Agarwal R, Angustia CM. Reconceptualización de las creencias de
compatibilidad en la investigación de aceptación de tecnología. MIS Trimestral, vol. 30
No.4, 2006, págs. 781-804.
[31] Li J. El beneficio de estar físicamente presente: una encuesta de trabajos
experimentales que comparan robots copresentes, robots telepresentes y agentes
virtuales. International Journal Human-Computer Studies 77, 2015, p. 23-37.