Skip to main content
Cette page est affichée à l'aide de traduction automatique. View in English instead?
Une préhension robotique avec ventouses tient une petite boîte en carton tout en étant ajustée par une personne.

Cuillette des bacs : Un vrai 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 ramassage des bacs est l'une de ces tâches. Par exemple, les robots doivent être capables de retirer une seule pièce d'un bac contenant un tas de 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 jusqu'à présent. Ines a été honorée Inventeur de l'année 2024 dans la catégorie Nouveaux arrivants pour une solution de cueillette de bacs qui peut être modifiée de manière flexible pour différents outils de préhension robotisés. 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 nombreux salons professionnels, y compris le salon de Hanovre de cette année en Allemagne au printemps 2024.

Passer par l'aspirateur

A person is standing in front of a whiteboard covered with diagrams and handwritten notes related to 3D object recognition and ranking.

De nombreux robots s'agripent en créant un aspirateur. 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 nouvelle 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 en fait un aspect très unique 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 elle peut 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 sélection des cagnottes. 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.

A person is working at a desk with two computer monitors displaying code and a robotic arm visible in the foreground.

Partage de données pour une meilleure performance

A hand is pointing at a computer screen showing a colorful digital image with a green checkmark indicating successful processing.

« Notre solution est destinée à fonctionner sur n'importe quel site client, parce que nous l'avons formée sur de vastes ensembles de données provenant de sources synthétiques et réelles », explique Ines. « Cela fonctionne très bien sur les boîtes, les bouteilles et les sacs, et aussi si la pièce est emballée dans du papier plastique. En principe, les clients ne devraient voir aucune dégradation opérationnelle, mais s'ils le font, 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 provenant de flottes de robots dans le cloud Siemens, qui a la capacité de tirer parti d'un cas de défaillance pour améliorer notre produit — pas seulement pour un client, mais pour tous les clients qui sont d'accord sur le partage de données. Les améliorations mènent non seulement à des gains de performance, mais aussi à 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, y compris la dépalettisation robotique », explique Ines. Pick AI est au cœur d'une cellule de dépalettisation robotisée nouvellement déployée dans l'un des entrepôts productifs de Siemens à Erlangen, en Allemagne. Grâce aux données, l'équipe repousse les frontières de la manipulation robotique.