Les robots, comme les humains, sont-ils plus performants collectivement ? L'arrivée, ces dernières années, des AMR (Autonomous mobile robots) sur les chaînes logistiques a mis en lumière l'efficacité des flottes de robots dans la gestion des flux complexes. Les atouts de ces systèmes résident dans leur capacité à replanifier en temps réel leurs trajectoires et à se coordonner pour éviter les temps morts dans les flux. Selon Gilles Gomila, le responsable intégration du spécialiste japonais des robots mobiles Omron, cette approche demande une nouvelle organisation dans les systèmes de prise de décision et de planification des tâches.
« Plusieurs couches d'intelligence interviennent, explique-t-il. Certaines décisions sont prises au niveau du robot. Il doit pouvoir accomplir seul certaines tâches en cas de problème. » Les AMR utilisent un algorithme Slam (Simultaneous localization and mapping) pour construire en temps réel une carte de l'environnement et se positionner sur celle-ci. Ils se servent pour cela des informations internes (vitesse, consommation d'énergie des moteurs…) et externes (images lidars, GPS…). Ils intègrent aussi quelques règles de navigation pour éviter les obstacles. « Dans les environnements de travail changeants ou encombrés, un robot peut se perdre. Il saura se débrouiller seul pour revenir même en ayant perdu 80 % de sa carte. » Certains sont même capables se repérer en ayant perdu toute la carte. Ils utilisent dans ce cas les lumières du plafond pour retrouver leur position dans l'entrepôt.
Ces robots, cependant, ne possèdent pas la vision globale et ne peuvent prioriser les tâches les unes par rapport aux autres. C'est le rôle du logiciel de gestion de flotte. Véritable chef d'orchestre adossé au système de gestion de l'entrepôt (Warehouse management system), il distribue les missions aux AMR via une communication par Wi-Fi ou réseau 5G. Il organise presque tous les aspects du trafic pour les optimiser : temps de recharge des robots, temps d'attente aux différents postes, zones susceptibles d'être embouteillées… « C'est cette couche qui utilise le plus le machine learning, explique Gilles Gomila. Elle analyse en continu les informations du terrain et évalue le fonctionnement le meilleur. Nous pouvons accélérer l'apprentissage en utilisant la simulation.»
Apprendre les uns des autres
Cette logique du « chef d'orchestre » a cependant des limites lorsqu'il s'agit de faire travailler ensemble des robots en milieu ouvert. « Le concept d'intelligence centralisée pose le problème de la robustesse du système en cas de coupure de communication», estime Olivier Simonin, chercheur à l'Inria et spécialiste de la robotique multi-agents. Pour pallier ce problème, une autre approche est explorée, notamment dans le cadre des essaims de drones : les robots sont mis en relation directement les uns avec les autres et déterminent collectivement la meilleure façon de remplir la tâche. Leur positionnement, à l'instar d'un essaim d'insectes ou d'un vol d'étourneaux, est déterminé à partir des membres du groupe les plus proches.
« Moins l'environnement est structuré, plus nous avons besoin des règles de la robotique en essaim », pointe Nicolas Bredèche, chercheur à l'Institut des systèmes intelligents et de robotique. Cette approche permet également de mettre en place de nouveaux systèmes d'apprentissage. « Si l'un des robots du groupe effectue une tâche plus efficacement que les autres, il peut leur enseigner ce qu'il a appris, explique le chercheur. Cela passe par une évaluation permanente des stratégies déployées par chaque membre du groupe.» Même chez les robots, la transmission du savoir peut bénéficier au plus grand nombre.
