Skip to main content
Cette page est générée par traduction automatique. Voulez-vous afficher la version originale en anglais?

Cueillette des poubelles : un véritable défi pour les robots

Ines Ugalde Diaz | Inventrice Siemens de l'année | Nouvelle venue

Certaines tâches sont faciles pour les humains mais très difficiles pour les robots, et le ramassage des poubelles est l'une de ces tâches. Par exemple, les robots doivent être capables de prélever une seule pièce dans un bac contenant un tas de pièces individuelles non triées et disposées de façon chaotique, comme une pile de colis.

Ines Ugalde Diaz et son équipe de Berkeley (États-Unis) développent des systèmes de commande de robots depuis plus de six ans et ont réalisé plus de 40 inventions à ce jour. Ines a reçu le titre d'inventrice de l'année 2024 dans la catégorie Nouveaux venus pour une solution de ramassage des poubelles qui peut être modifiée de manière flexible en fonction des différents outils de préhension robotisés. Cette invention a été sélectionnée parce qu'elle est à l'origine de la prochaine génération de Siemens SIMATIC Robot Pick AI. Pick AI a participé à de nombreux salons professionnels, notamment à la foire de Hanovre de cette année en Allemagne au printemps 2024.

Prise par aspiration

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 saisissent en créant un aspirateur. Au bout de leur bras, ce que l'on appelle l'effecteur terminal, les robots utilisent une ou plusieurs ventouses pour aspirer l'objet à saisir. Pour ce faire, les ventouses doivent atterrir sur une surface plane, lisse et non poreuse de manière optimale. Il existe de nombreuses variantes de ventouses de tailles et de formes différentes, avec une base rectangulaire ou carrée et une ou plusieurs ventouses.

« Notre nouvelle invention facilite l'utilisation de ventouses de tailles et de dispositions variables. C'est au client de décider ce qu'il veut », explique Ines. « C'est en fait un aspect tout à fait unique de notre produit qui nous différencie de tous nos concurrents. »

Traverser le chaos

Dans le chaos d'une poubelle, les différentes pièces sont superposées selon des orientations spatiales aléatoires. Le robot doit d'abord reconnaître la structure dans ce chaos : il doit identifier le début et la fin d'une pièce et comprendre comment elle est positionnée afin de trouver un endroit où il peut être bien saisi. Les données nécessaires, à savoir la vue actuelle de la boîte, sont fournies par une caméra 3D. Les algorithmes d'IA qui ont été entraînés pour différencier les objets individuels sur ces images jettent les bases du contrôle du bras du robot.

Améliorer les logiciels standard

L'invention récompensée repose sur la compréhension de la scène, en particulier sur la distinction entre la poubelle et les objets individuels. C'est ce que l'on appelle généralement la « segmentation des instances », un problème courant dans le domaine de l'apprentissage automatique et de la vision par ordinateur. Il existe déjà de nombreux modèles préentraînés pour cette tâche qui ont bénéficié d'une formation sur des millions d'exemples. Ils sont bons mais trop généraux, et ils commettent des erreurs dans les scénarios de sélection des bacs. Ines et son groupe ont amélioré les performances de ces solutions standard à des niveaux satisfaisants en leur proposant 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 de meilleures performances

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

« Notre solution est conçue pour fonctionner sur n'importe quel site client, car nous l'avons développée à partir de vastes ensembles de données provenant de sources synthétiques et réelles », explique Ines. « Il convient très bien aux boîtes, aux bouteilles et aux sacs, et aussi si la pièce est emballée dans du film plastique. En principe, les clients ne devraient pas constater de dégradation opérationnelle, mais s'ils le font, ils peuvent laisser les modèles tirer les leçons de leurs défaillances. Cela fait partie de notre stratégie pour le produit. Nous nous préparons à intégrer des ensembles de données à grande échelle provenant de flottes de robots dans le cloud Siemens, qui permet 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 des données. » Les améliorations permettent non seulement d'améliorer les performances, mais aussi de révéler de nouveaux cas d'utilisation. « Nous avons démontré qu'avec un minimum d'effort, nous pouvions modifier le logiciel pour l'adapter à des cas d'utilisation totalement nouveaux, y compris la dépalettisation robotique », explique Ines. Pick AI est au cœur d'une cellule de dépalettisation robotique récemment déployée dans l'un des entrepôts productifs de Siemens à Erlangen, en Allemagne. Grâce à ces données, l'équipe repousse les limites de la manipulation robotique.