Enhancing adaptive task sharing between a human and robot considering workplace learning

Abstract

Um die Effizienz von Prozessen zu verbessern und Monotonie zu vermeiden, werden Prozesse teilweise automatisiert. Kollaborationsroboter sind Robotersysteme, die zur (Teil-)Automatisierung eingesetzt werden können und Hand in Hand mit Menschen im selben kollaborativen Arbeitsbereich arbeiten. Dabei stellt sich immer die Frage nach der Aufgabenzuweisung. Der Stand der Technik ist eine starre und statische Aufgabenzuweisung. Die adaptive Aufgabenteilung (ATS) in der Montage zielt darauf ab, die Flexibilität der Produktionsprozesse zu verbessern. Bei diesem Ansatz wird nicht im Voraus entschieden, welche Aufgabe dem Menschen oder dem Roboter zugewiesen wird, sondern es können einige Aufgaben definiert werden, die von beiden ausgeführt werden können. Für diesen Ansatz wurde bereits ein Software-Prototyp implementiert, der als Werkerassistenzsystem (WAS) für ATS dient. Allerdings gibt es noch einige ungelöste Probleme. Der menschliche Arbeiter sollte mit Informationen über die Auswirkungen der Aufgabenzuweisung versorgt werden, um qualitative Entscheidungen zu gewährleisten. Derzeit werden im Assistenzsystem keine Informationen über die Auswirkungen von Änderungen im Prozess bereitgestellt, wenn Aufgaben vom Menschen auf den Roboter oder umgekehrt verteilt werden. Darüber hinaus ist in einer zunehmend technisierten Arbeitswelt das Erlernen neuer Fähigkeiten von entscheidender Bedeutung. Das Potenzial zum Erlernen neuer Fähigkeiten wird durch die ATS-Methode gefördert. Der bestehende WAS-Prototyp berücksichtigt jedoch nicht das Lernen am Arbeitsplatz in Verbindung mit der Aufgabenzuweisung. Um diese Probleme zu lösen, verwenden wir die Forschungsmethodik Design Science. Die von uns vorgeschlagene Lösung wird in mehreren Iterationen implementiert und zielt darauf ab, benutzerfreundlich zu sein, das Lernen am Arbeitsplatz zu ermöglichen und Informationen zur Unterstützung der Entscheidungsfindung zu liefern. Darüber hinaus wird die Lösung mit einer Online-Nutzerstudie evaluiert, deren Ergebnis zeigt, dass die Lösung als benutzerfreundlich angesehen werden kann.

To improve the efficiency of processes and avoid monotony, the processes are partially automated. Collaborative robots are robotic systems that can be used for (partial) automation and to work hand in hand with humans in the same collaborative workspace. This always brings with it the issue of job or task allocation. The state of the art is a rigid and static allocation of tasks. Adaptive task sharing (ATS) in assembly strives to improve flexibility in production processes. This approach does not decide in advance which task is dedicated to the human or the robot; instead, some tasks can be defined to be carried out by both of them. A software prototype has already been implemented for this approach, which serves as a worker assistance system (WAS) for ATS. However, there are some unsolved problems. The human worker should be provided with information about the effects of allocating tasks to ensure qualitative decisions. Currently, no information is provided in the assistance system about the impacts of changes to the process if tasks are assigned from the human to the robot or vice versa. Additionally, in a world of work that is becoming increasingly technological, learning new skills is crucial. The potential for learning new skills is promoted by the ATS method. However, the existing WAS prototype does not consider workplace learning in combination with task allocation. To overcome these problems, we use the design science research methodology to conduct the research. Our proposed solution is implemented in multiple iterations and aims to be user friendly, enable workplace learning, and provide information to support decision-making. Furthermore, the solution was evaluated with an online user study, which showed that it can be considered user friendly.