De l’intelligence numérique à l’action physique
L’IA physique dépasse le stade des démonstrations en laboratoire et s’intègre désormais à des environnements où les robots doivent interagir directement avec des machines, des composants, des outils et des personnes. Agile Robots et Franka Robotics ont récemment illustré cette transition lors de deux événements européens, montrant comment l’intelligence robotique peut relier l’automatisation industrielle aux données d’apprentissage des robots.
Les démonstrations de Zurich et de Brême témoignent d’une évolution plus large dans l’ingénierie de l’automatisation : la valeur de l’IA ne dépend plus uniquement de la capacité d’un système à comprendre les données. Elle dépend de plus en plus de sa capacité à percevoir les conditions physiques, à prendre des décisions et à exécuter des actions précises dans le monde réel.
Le contrôle des forces rend l’assemblage robotisé plus adaptatif
Lors du salon all about automation de Zurich, Agile Robots a présenté Diana 7 effectuant l’insertion d’une culasse moteur grâce à la détection du couple sur ses sept articulations. Au lieu de considérer le robot comme un simple mécanisme commandé en position, le système surveille les forces d’interaction pendant le processus d’assemblage.
Cette distinction est importante dans les applications où les tolérances mécaniques, les variations des composants ou de petites erreurs de positionnement peuvent influencer le résultat. Le retour d’effort permet au robot de réagir à l’état mécanique réel de l’assemblage plutôt que de s’appuyer entièrement sur une trajectoire prédéfinie.
Du point de vue de l’automatisation industrielle, il s’agit d’une évolution importante pour les systèmes robotisés. Les capteurs font désormais partie de la boucle de commande, ce qui permet aux robots d’interpréter les conditions de contact et d’adapter leur comportement en conséquence.
Thor 12 vise les opérations de soudage flexibles
Agile Robots a également présenté Thor 12 pour les applications de soudage robotisé. Son approche d’apprentissage par glisser-déposer et de commande low-code vise à simplifier la création et la modification des trajectoires de soudage.
La possibilité d’adapter les trajectoires aux soudures d’angle, verticales et inclinées est particulièrement pertinente dans les environnements de production où les produits changent fréquemment. La capacité annoncée à gérer des jeux pouvant être aussi étroits que 1 mm illustre également l’influence du contrôle de trajectoire et de l’adaptation du procédé sur la qualité du soudage.
À mon avis, l’intérêt pratique de systèmes tels que Thor 12 ne réside pas simplement dans le fait qu’ils facilitent la programmation des robots. Le principal avantage pour l’ingénierie est la réduction de l’effort de programmation lorsque les exigences de production évoluent. Cela peut rendre l’automatisation robotisée plus pertinente pour les petites séries et les processus de fabrication plus variables.
Les données d’apprentissage des robots deviennent un élément de la pile d’automatisation
La démonstration de Brême présentait un autre aspect de l’équation de l’IA physique. Franka Robotics a utilisé Franka GELLO Duo pour téléopérer le FR3 Duo, tandis que LABS enregistrait les démonstrations sous forme de données d’apprentissage structurées pour la manipulation bimanuelle.
Cette approche modifie la relation entre les opérateurs humains et la programmation des robots. Au lieu de définir manuellement chaque mouvement du robot au moyen de méthodes de programmation conventionnelles, les démonstrations humaines peuvent fournir des exemples à partir desquels développer des comportements robotisés intelligents.
Pour les développeurs d’IA, l’élément important est le processus de génération des données. La téléopération permet de capturer les comportements de manipulation humaine, tandis que la plateforme robotisée fournit l’environnement d’exécution physique et les données associées.
La manipulation bimanuelle exige davantage qu’une simple planification des mouvements
La robotique bimanuelle impose des exigences de commande supplémentaires, car deux bras robotisés doivent coordonner leurs mouvements, leurs forces et leur interaction avec l’objet manipulé.
Les données d’apprentissage doivent donc représenter davantage que les positions individuelles des articulations. Les démonstrations peuvent contenir des informations sur les mouvements coordonnés et l’interaction physique, difficiles à reproduire au moyen de simples séquences programmées.
C’est sur ce point que l’IA physique diffère de la programmation conventionnelle des robots industriels. L’automatisation traditionnelle part généralement d’une tâche définie et d’une logique élaborée explicitement. Les approches fondées sur l’apprentissage robotisé peuvent au contraire utiliser les démonstrations dans le processus de développement d’un comportement adapté à une tâche.
Le lien entre l’IA et l’automatisation industrielle
Les démonstrations de Zurich et de Brême abordent différentes étapes d’une même chaîne technologique. Diana 7 et Thor 12 se concentrent sur l’exécution physique dans les applications industrielles, tandis que la téléopération et le processus de capture des données de Franka répondent à la question de savoir comment entraîner l’intelligence robotique.
Le lien entre ces deux domaines est important. Un robot capable de percevoir son environnement a toujours besoin de stratégies de commande adaptées, tandis qu’un modèle d’IA entraîné à partir de démonstrations a finalement besoin d’une plateforme physique capable d’exécuter ses décisions.
Pour les ingénieurs en automatisation industrielle, cela suggère que les architectures robotiques de demain combineront de plus en plus la détection, la commande des mouvements, l’inférence de l’IA, l’acquisition de données et les technologies d’automatisation conventionnelles, au lieu de les traiter comme des systèmes isolés.
Pourquoi l’IA physique est importante pour les fabricants
Les fabricants sont confrontés à des exigences de production de plus en plus variables, à des cycles de vie des produits plus courts et à la pression d’automatiser des tâches auparavant difficiles à standardiser. Les programmes robotisés fixes restent très efficaces pour les processus répétitifs, mais leurs limites deviennent plus visibles lorsque l’environnement ou le produit change fréquemment.
L’IA physique propose une autre approche en permettant aux robots d’intégrer le retour des capteurs, les démonstrations et les comportements appris à leur fonctionnement.
Toutefois, l’IA ne doit pas être considérée comme un remplacement de l’ingénierie de l’automatisation établie. Les fonctions de sécurité, la commande déterministe, l’architecture électrique, les limites de mouvement, les réseaux industriels et la validation des processus restent fondamentaux. Les systèmes les plus pratiques combineront probablement une prise de décision fondée sur l’IA avec des couches de commande et de sécurité éprouvées.
Des démonstrations aux systèmes déployables
L’aspect le plus intéressant des récentes démonstrations d’Agile Robots est le lien entre le développement et le déploiement. Les données d’apprentissage des robots, la commande intelligente, la détection des forces, la programmation simplifiée et l’exécution physique deviennent de plus en plus les composants d’une même architecture d’automatisation globale.
Le prochain défi pour l’ingénierie est la mise à l’échelle. Une démonstration réussie n’est qu’un début. Le déploiement industriel exige des performances reproductibles, des temps de cycle prévisibles, une intégration aux systèmes de production et aux automates existants, une validation de la sécurité, une bonne maintenabilité et des bénéfices de production mesurables.
L’IA physique devra donc faire ses preuves non seulement comme technologie d’IA, mais aussi comme technologie de commande industrielle.
Une évolution dans la conception des robots
Les démonstrations en Suisse et en Allemagne indiquent que la robotique industrielle évolue vers un modèle plus adaptatif. On attend de plus en plus des robots qu’ils perçoivent les conditions physiques, apprennent à partir de démonstrations et modifient leurs actions, plutôt que de simplement répéter des trajectoires prédéfinies.
À mon avis, la meilleure opportunité réside dans la combinaison de ces capacités avec l’automatisation industrielle conventionnelle, plutôt que dans son remplacement. Les automates programmables, les contrôleurs de mouvement, les systèmes de sécurité, les capteurs, les réseaux industriels et les plateformes robotiques peuvent fournir une base déterministe, tandis que l’IA physique peut ajouter un niveau supérieur de prise de décision adaptative.
Il pourrait en résulter une nouvelle génération de systèmes d’automatisation dans lesquels les robots ne seraient plus de simples machines programmées, mais des systèmes informatiques physiques capables de percevoir, d’apprendre et d’agir dans des environnements de production réels.
