Passer au contenu principal

Prélèvement en vrac : un véritable défi pour les robots

Ines Ugalde Diaz | Inventeurs de l'année de Siemens | Nouveau venu

Il y a des tâches faciles pour les humains mais vraiment difficiles pour les robots, et le prélèvement en vrac est l'une de ces tâches. Les robots doivent être capables de retirer une seule pièce d'un bac contenant diverses pièces individuelles non triées et disposées de manière chaotique, comme un tas de colis.

Ines Ugalde Diaz et son équipe à Berkeley (États-Unis) développent des systèmes de contrôle robotisé depuis plus de six ans et ont réalisé plus de 40 inventions à ce jour. Ines a été honorée Inventeur de l'année 2024 dans la catégorie Nouveaux arrivants pour une solution de prélèvement en vrac peut être ajusté de manière flexible à différents outils robotisés de préhension robotisé. Cette invention particulière a été choisie parce qu'elle sert de germe à la prochaine génération de Siemens SIMATIC Robot Pick AI. Pick AI a été présenté lors de divers salons professionnels, dont le salon de Hanovre de cette année 2024 en Allemagne.

Passer par l'aspirateur

Une personne se tient devant un tableau blanc recouvert de diagrammes et de notes manuscrites liées à la reconnaissance et au classement des objets 3D.

De nombreux robots s'agrippent en créant un effet ventouse. Au bout de leur bras — ce qu'on appelle l'effecteur terminal — les robots utilisent une ou plusieurs ventouses pour exercer un vide sur l'objet à saisir. Pour ce faire, les ventouses doivent atterrir sur une surface optimale, plate, lisse et non poreuse. Il existe de nombreuses variantes de ventouses de différentes tailles et formes, avec une base rectangulaire ou carrée et avec une ou plusieurs ventouses.

« Notre invention facilite l'utilisation de presses d'aspiration de tailles et de dispositions variables. C'est au client de décider ce qu'il veut », explique Ines. C'est un aspect très spécifique de notre produit qui nous différencie de tous les concurrents.

Voir à travers le chaos

Dans le chaos d'un bac, les pièces individuelles se superposent dans des orientations spatiales aléatoires. Le robot doit d'abord reconnaître la structure dans ce chaos : Il doit identifier où une pièce commence et où elle se termine et comprendre comment elle est positionnée afin de trouver un endroit où avoir une bonne prise en main. Les données nécessaires — la vue actuelle de la boîte — sont fournies par une caméra 3D. Les algorithmes d'IA qui ont été formés pour différencier les objets individuels dans ces images jettent les bases pour contrôler le bras du robot.

Amélioration du logiciel standard

L'invention récompensée repose sur la compréhension de la scène, en particulier en distinguant le bac et les objets individuels. C'est ce qu'on appelle généralement la « segmentation d'instance », un problème standard dans l'apprentissage automatique et la vision par ordinateur. Il existe déjà de nombreux modèles pré-entraînés pour cette tâche qui ont bénéficié d'une formation sur des millions d'exemples. Ils sont bons, mais ils sont trop généraux, et ils font des erreurs dans les scénarios de prélèvement. Ines et son groupe ont amélioré les performances de ces solutions standard à des niveaux satisfaisants en leur donnant une formation supplémentaire sur des ensembles de données spécifiques : par exemple, des données réelles provenant de cellules robotiques Pick AI existantes.

Une personne travaille à un bureau avec deux écrans d'ordinateur affichant du code et un bras robotique visible au premier plan.

Partage de données pour une meilleure performance

Une main pointe vers un écran d'ordinateur montrant une image numérique colorée avec une coche verte indiquant un traitement réussi.

« Notre solution est destinée à fonctionner sur n'importe quel site client, car nous l'avons formée sur de vastes ensembles de données issues de sources synthétiques et réelles », explique Ines. « Cela fonctionne très bien sur les boîtes, les bouteilles et les sacs, et si la pièce est emballée dans du papier plastique. Les clients ne devraient voir aucune dégradation opérationnelle, mais si c'est le cas, ils peuvent permettre aux modèles d'apprendre de leurs échecs. Cela fait partie de notre stratégie pour le produit. Nous nous préparons à ingérer des ensembles de données à grande échelle issues de flottes de robots du cloud Siemens, qui sait exploiter une défaillance pour améliorer notre produit, pour tous les clients qui acceptent le partage de données. Les améliorations permettent des gains de performance, mais aussi la révélation de nouveaux cas d'utilisation. « Nous avons montré qu'avec un minimum d'effort, nous pouvons modifier le logiciel pour prendre en charge des cas d'utilisation complètement nouveaux, dont la dépalettisation robotique », explique Ines. Pick AI est au cœur d'une cellule de dépalettisation robotisée récemment déployée dans un entrepôt productif de Siemens. Grâce aux données, l'équipe repousse les frontières de la manipulation robotique.