Human Factors, Human Machine Interaction and AI

Descrizione

L’attività di ricerca si concentra sullo sviluppo di pipeline AI-based per il riconoscimento automatico di emozioni, attenzione e stati cognitivi a partire da espressioni facciali così come su metodi e strumenti per supportare il monitoraggio continuo e in tempo reale dell’ergonomia fisica in contesti di fabbrica e promuovere modelli di previsione del rischio muscoloscheletrico, sfruttando sistemi low-cost basati su telecamere RGB, sensori indossabili e modelli di riconoscimento automatico della postura.
L’obiettivo è integrare ergonomia, sicurezza ed efficienza in ottica di Industria 4.0 e 5.0, come nei progetti su fabbriche agili, manutenzione predittiva e smart retrofitting: questi risultati confluiscono in piattaforme per l’analisi continua dell’esperienza utente e per l’adattamento di interfacce, contenuti e servizi.
In questo ambito si collocano sia contributi metodologici (definizione di architetture, dataset e metriche) che applicazioni sperimentali, come una piattaforma per l’analisi dell’interazione studente–docente o toolkit per l’analisi automatica della User Experience. Recenti sviluppi vedono la ricerca, strutturazione ed applicazione di training set sintetici per l’addestramento delle reti neurali al fine di migliorare l’accuratezza della predizione dei fattori umani in contesti anche molto complessi (fabbrica e automotive). Tali dataset, definiti sintetici in quanto non derivanti da acquisizioni su soggetti reali ma da operazioni informatiche, permettono di velocizzare drasticamente la creazione di dataset per l’addestramento di algoritmi di Intelligenza Artificiale, oltre che al raggiungimento di un livello qualitativo estremamente elevato (ridotti bias e rumore di acquisizione). Gli algoritmi addestrati su tali dataset sintetici trovano applicazione nel monitoraggio dell’ergonomia fisica in ambito industriale, del monitoraggio dell’attenzione e della direzione dello sguardo in ambito automotive e del rilevamento delle emozioni dei soggetti per Affective Computing.

Pubblicazioni

• Agostinelli, T., Generosi, A., & Mengoni, M. (2026). A novel approach for monocular RGB-based ergonomics monitoring in industrial workspaces employing synthetic datasets to train a deep learning model. The International Journal of Advanced Manufacturing Technology, 1-24. DOI: https://doi.org/10.1007/s00170-025-17168-1
• Generosi, A., Ceccacci, S., Faggiano, S., Giraldi, L., & Mengoni, M. (2020). A toolkit for the automatic analysis of human behaviour in HCI applications in the wild. Advances in Science, Technology and Engineering Systems Journal, 5(6), 185–192. DOI: https://doi.org/10.25046/aj050622
• Generosi, A., Ceccacci, S., Tezçi, B., Montanari, R., & Mengoni, M. (2022). Nudges-based design method for adaptive HMI to improve driving safety. Safety, 8(3), 63. DOI: https://doi.org/10.3390/safety8030063
• Agostinelli, T., Generosi, A., Ceccacci, S., & Mengoni, M. (2024). Validation of computer vision-based ergonomic risk assessment tools for real manufacturing environments. Scientific Reports, 14, 27785. DOI: https://doi.org/10.1038/s41598-024-79373-4
• Generosi, A., Agostinelli, T., & Mengoni, M. (2023). Smart retrofitting for human factors: A face recognition-based system proposal. International Journal on Interactive Design and Manufacturing (IJIDeM), 17(1), 421-433. DOI: https://doi.org/10.1007/s12008-022-01035-4

Personale di riferimento

Prof.ssa Maura Mengoni 
Tel. +39 071 220 4969
E-mail: m.mengoni@staff.univpm.it