Skip to main content

Bin picking (prélèvement des bacs) : un véritable défi pour les robots

Ines Ugalde Diaz | Inventrice Siemens de l'année | Newcomer

Certaines tâches sont faciles pour les humains mais très difficiles pour les robots, et le prélèvement des bacs 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 aléatoire, 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 Newcomer pour une solution de prélèvement des bacs 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

Une personne est debout devant un tableau blanc rempli de diagrammes et de notes manuscrites relatifs à la reconnaissance et au classement d'objets en 3D.

De nombreux robots attrapent des objets via un système d'aspiration. Au bout de leur bras, ce que l'on appelle l'effecteur terminal, les robots utilisent une ou plusieurs ventouses pour accrocher l'objet à saisir. Pour ce faire, les ventouses doivent atterrir parfaitement sur une surface plane, lisse et non poreuse. 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. »

Trier à travers le désordre

Dans le désordre des bacs, les différentes pièces sont mélangées de façon aléatoire. Le robot doit d'abord reconnaître la structure dans ce chaos : il doit identifier la forme d'une pièce et comprendre comment elle est positionnée afin de trouver un endroit où elle peut être bien saisie. Les données nécessaires, dont la vue actuelle de la boîte, sont fournies par une caméra 3D. Les algorithmes d'IA qui ont été entraînés à distinguer les différents objets présents sur ces images constituent la base du contrôle du bras robotisé.

Améliorer les logiciels standard

L'invention récompensée repose sur la compréhension de la scène, en particulier sur la distinction entre le bac 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 pré-entraînés pour cette tâche qui ont bénéficié d'une formation sur des millions d'exemples. Ils sont performants mais pas assez précis : ils commettent des erreurs dans les scénarios de sélection des bacs. Inès et son équipe ont amélioré les performances de ces solutions standard jusqu'à atteindre des niveaux satisfaisants en leur faisant suivre un apprentissage supplémentaire sur des ensembles de données spécifiques : par exemple, des données réelles provenant de cellules robotiques Pick AI existantes.

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

Partage de données pour de meilleures performances

Une main pointe vers un écran d'ordinateur qui affiche une image numérique en couleur, une coche verte indiquant que le traitement a été effectué correctement.

« Notre solution est conçue pour fonctionner sur n'importe quel site client, car nous l'avons entraînée à partir de vastes ensembles de données provenant à la fois de sources synthétiques et du monde réel », explique Ines. « Elle fonctionne très bien avec les boîtes, les bouteilles et les sacs, même lors que la pièce est emballée dans du film plastique. En principe, les clients ne devraient pas constater de dégradation des performances, mais s'ils le font, ils peuvent laisser les modèles tirer les leçons de leurs échecs. Cela fait partie de notre stratégie pour ce produit. Nous nous préparons à intégrer des ensembles de données à grande échelle provenant de flottes de robots dans le cloud Siemens, qui a la capacité d'exploiter les échecs pour améliorer notre produit, pas seulement pour un client, mais pour tous les clients qui acceptent de partager leurs données. » Les améliorations permettent non seulement de gagner en performances, mais aussi de révéler de nouveaux cas d'utilisation. « Nous avons démontré qu'avec un minimum d'efforts, nous pouvions modifier le logiciel pour prendre en charge des cas d'utilisation totalement nouveaux, y compris la dépalettisation robotisée », explique Ines. Pick AI est au cœur d'une cellule de dépalettisation robotisée récemment déployée dans l'un des entrepôts de production de Siemens à Erlangen, en Allemagne. Grâce à ces données, l'équipe repousse les limites de la manipulation robotisée.