Método de aplicação da realidade virtual em avaliação ergonômica na indústria de mineração

Abstract

Resumo: Na indústria de mineração, distúrbios osteomusculares relacionados ao trabalho (DORT) são um problema recorrente, custoso e relevante. São causados por fatores de risco como posturas inadequadas, exposição à vibração e levantamento de peso, mas intervenções ergonômicas podem reduzi-los. Executá-las, no entanto, torna-se um desafio no ambiente hostil e dinâmico da mineração. Nesse contexto, a Realidade Virtual (RV) se apresenta como solução tecnológica para a simulação de atividades de risco, presentes na mineração, em local seguro, controlado e confortável, assim com a observação antecipada de desvios ergonômicos. A aplicação da RV na avaliação ergonômica em mineração, contudo, é pouco explorada na literatura e opções comerciais dedicadas são escassas e se limitam a treinamentos de segurança e operação de máquinas. Portanto, esta pesquisa busca atender a essa lacuna com uma proposta de método de aplicação da RV em análise ergonômica dedicada à indústria de mineração. Por meio do Design Science Research (DSR), inicialmente, foi realizada uma Revisão Bibliográfica Sistemática (RBS) que identificou 23 pesquisas, entre 2012 e 2023, e indexadas nas bases Scopus e Web of Science, que apresentam estudos da aplicação da RV no contexto de análise ergonômica. Observou-se que a RV, tipicamente aplicada nas indústrias automotiva e aeronáutica, é considerada eficaz na avaliação ergonômica por diversos autores, especificamente quando associada ao uso de um MOCAP. A RBS revelou, por outro lado, que a indústria da mineração não recebe atenção dos pesquisadores. Além disso, padrões foram identificados entre os estudos, como o uso de software de engenharia PLM (Ex.: Delmia da Dassault Systèmes) e hardware como o sistema de captura de movimento MB MOCAP (Ex.: Xsens da Movella). A análise também destaca a subutilização de tecnologias emergentes, como a captura de movimento sem marcadores (ML MOCAP), como o Kinect, e visão computacional, e a crescente adoção de dispositivos como o HMD Quest 2 da Meta e o uso de motores de jogo gratuitos, como Unreal, devido ao baixo custo, qualidade e facilidade de uso. Na fase subsequente, de proposição, o novo artefato, ou método de avaliação ergonômica, foi projetado utilizando-se ferramentas e processos típicos de projeto de produto, como a matriz morfológica e a matriz de decisão de Pugh. Nesse processo, destaca-se a definição do Kinebot, software de análise ergonômica, como solução inédita de MOCAP. Por fim, na fase de avaliação, o protótipo do artefato foi avaliado a partir de um experimento, conduzido no LABERG na Universidade Federal do Paraná, envolvendo cinco participantes. O resultado sugere que, embora o Kinebot apresente limitações que ainda precisam ser revistas, como a imprecisão de escore REBA, seu notável desempenho em termos de agilidade e facilidade de uso, associado a medições consistentes de ângulo postural, permite o ajuste e otimização instantâneos de questões posturais, o que auxilia o ergonomista na identificação prematura de fatores de riscos. Adicionalmente, ressalta-se que o uso de um sistema de captura de movimento ML MOCAP, baseado em visão computacional, é inédito e vantajoso no meio científico.

Abstract: In the mining industry, work-related musculoskeletal disorders (WMSD) are a recurring, costly and significant problem. They are caused by risk factors such as awkward postures, exposure to vibration and heavy lifting, but ergonomic interventions can reduce them. Carrying them out, however, becomes a challenge in the hostile and dynamic environment of mining. In this context, Virtual Reality (VR) can be a technological solution for simulating risky activities in mining in a safe, controlled and comfortable place, as well as observing ergonomic deviations in advance. At the same time, the literature on the application of VR-assisted ergonomic assessment in mining is scarce and there are only few dedicated commercial solutions in the market, which are limited to safety training and machine operation. Therefore, this research aims to propose a VR-assisted ergonomic analysis method for the mining industry. By means of the Design Science Research (DSR), a Systematic Literature Review (SLR) was initially carried out, which identified 23 studies between 2012 and 2023, indexed in Scopus and Web of Science, with focus on the application of VR in the realm of Ergonomics. It was observed that VR, typically applied in the automotive and aerospace industries, is considered effective in ergonomic analysis by many authors, especially when associated with Motion Capture (MOCAP). The SLR revealed, on the other hand, a lack of research attention in the mining industry. Furthermore, patterns were identified among the studies, such as the use of engineering software PLM (e.g., Delmia from Dassault Systèmes) and hardware such as the MB MOCAP (e.g., Xsens from Movella). The analysis also highlights the underutilization of emerging technologies, such as Marker Less (ML) MOCAP (e.g., Kinect) and computer vision, and the increasing adoption of VR devices such as Meta Quest 2 HMD and game engines such as Unreal, which are low cost, high quality, and ease-of-use solutions. In the proposition phase, the novel ergonomic assessment method was designed using typical product design tools and processes, such as the morphological matrix and the Pugh decision matrix. In this process, the definition of Kinebot, an ergonomic analysis software, stands out as an innovative MOCAP solution. Finally, in the evaluation phase, the prototype of the artifact was analyzed through an experiment carried out at LABERG facility at the Federal University of Paraná, involving five subjects. The result suggests that, although Kinebot has limitations that still need to be reviewed, such as the inaccuracy of the REBA score, its remarkable performance in terms of agility and ease of use, combined with consistent postural angle measurements, facilitates instant adjustment and optimization of postural issues, which helps ergonomists to identify risk factors early on. In addition, the use of a ML MOCAP motion capture system, based on computer vision, is a novel and advantageous study in academia.