« En robotique industrielle, on demande au robot d’aller du point A au point B de manière très précise et de répéter cette tâche des milliers de fois, explique Baptiste Busch, PDG et cofondateur d’Aica, qui a obtenu son doctorat au centre Inria de l’université de Bordeaux. Dans le cas d’une boîte de vitesse, même si le carter est positionné précisément, on ne peut pas garantir l’insertion des engrenages en répétant les mêmes mouvements. Car tout est dynamique à l’intérieur et les dentures bougent les unes par rapport aux autres. »
Une problématique que cette start-up suisse, issue en 2019 de l’Ecole polytechnique fédérale de Lausanne, a résolue pour Schaeffler. La solution, sous la forme d’un bras poly-articulé qui tâtonne pour emboîter des engrenages aux mouvements capricieux, a été déployée dans une usine chinoise de l’industriel allemand, à compter de fin 2023. Avec le concours d’Universal Robots, fabricant du bras robotique, Aica s’est fendu d’une démonstration à la dernière GTC de Nvidia, mi-mars, quelques semaines avant de lever un peu plus de 2,5 millions d’euros.
Apprentissage par renforcement
Comment ce robot parvient-il à imbriquer ces pièces dentelées ? « Grâce à l’information fournie par le capteur d’effort intégré au bras robotique, on peut indiquer au robot de tourner légèrement la pièce plusieurs fois, jusqu’à ce que, soudainement, la pièce s’insère, répond Baptiste Busch. Mais que signifie cette notion de tâtonnement pour un robot ? Doit-il systématiquement tourner la pièce de 15 degrés toutes les 10 secondes ? Nous commençons donc par une démonstration, pour indiquer au robot comment exécuter cette insertion. Cette démonstration n’étant jamais optimale, on peut améliorer le mouvement grâce à de l’apprentissage par renforcement. »
Le fait pour l’opérateur de saisir le bras robotique pour agripper la pièce, la déplacer et l’insérer permet d’obtenir une trajectoire paramétrée. Ces paramètres sont ensuite optimisés via une technique d’apprentissage par renforcement dite « sans modèle » (model-free), adaptée à un environnement dynamique, ce qui limite la connaissance de celui-ci. « La fonction d’évaluation est assez simple, enchaîne Baptiste Busch. On veut insérer la pièce le plus vite possible tout en minimisant la force appliquée. Si on ne considérait pas cette dernière, la pièce ou le robot pourrait s’endommager. » Dans l’idéal, l’apprentissage pourrait être effectué en continu pour poursuivre l’optimisation. « Mais ce n’est pas accepté en production, fait remarquer Baptiste Busch. Donc on fige le modèle d’IA pour le déployer ensuite. »
Il dresse l’inventaire des bénéfices pour Schaeffler : « Cet industriel avait déjà automatisé une ligne de production pour l’assemblage de ces pièces, ce qui avait requis un temps de programmation énorme. Si jamais une nouvelle boîte de vitesse est mise au point, le robot pourra apprendre à l’assembler sans programmation préalable. Le gain en développement et en production est très important. D’autre part, grâce à cette technique de tâtonnement, le robot ne va pas forcer et rester coincé, d’où une réduction du temps d’indisponibilité de la ligne de production. Enfin, à la longue, le robot s’abîme un peu, ses performances baissent, les trajectoires changent. Dans notre cas, le robot compense sa propre usure et reste en fonction plus longtemps. »
L'IA physique manque encore de physique
De façon plus générale, la philosophie d’Aica est de fournir aux intégrateurs de systèmes une plateforme logicielle qui connecte un robot à des capteurs externes, et à des modèles d’apprentissage pour accomplir des tâches avancées... « On apporte un peu plus d’intelligence, un peu de flexibilité à la robotique industrielle ou collaborative, souligne Baptiste Busch. L’IA va tellement vite qu’on ne peut plus continuer avec des écosystèmes fermés, comme ceux des grands fournisseurs de robots. Le but est de pouvoir contrôler un robot de manière complétement standardisée. »
La plateforme logicielle en question repose sur un support matériel, en l’occurrence un PC industriel. Un aspect qui n’est pas encore au niveau, selon lui : « On parle beaucoup d’IA physique, mais la dimension physique n’est pas vraiment encore là. Si on veut déployer des modèles d’IA avancés qui nécessitent une carte graphique, il n’y a quasiment aucun PC industriel qui en possède une aujourd’hui, Siemens vient de sortir ses premières gammes. Or, aucun industriel ne déploiera un PC non industriel...»
Voici quelques mois, Universal Robots a justement lancé le sien, AI Accelerator, dont s’est servi Aica pour l’évènement GTC de Nvidia. Grâce à cet équipement, la start-up suisse commence à expérimenter des modèles de fondation, qui ont besoin de la puissance d’un GPU, contrairement à un algorithme d’apprentissage par renforcement. « On utilise typiquement FondationPose de Nvidia, précise Baptiste Busch. A partir du moment où un modèle 3D de la pièce est disponible, ce qui est le cas en général, on peut fournir ce modèle 3D en entrée à l’IA qui va localiser cette pièce, qu’elle n’a éventuellement jamais vue, dans l’image produite par la caméra. Ceci sans réentraînement de l’IA. »
Désassemblage automatique de batteries
« Du coup, poursuit-il, on peut ajouter un peu plus de flexibilité. Les pièces n’ont plus besoin d’être apportées automatiquement par convoyeur. On pose juste les pièces quelque part et le robot va s’occuper de leur assemblage. » Il cite le français Inbolt qui, grâce à l’IA et à la vision 3D, permet aux robots d’adapter leurs trajectoires aux pièces en mouvement.
Par la suite, Aica envisage d’employer un modèle de langage pour traduire les fiches de postes des opérateurs, c’est-à-dire les procédures standards, en série d’actions robotiques pour exécuter telle tâche. « En gros, est-ce qu’un robot est capable de lire un manuel Ikea et de monter la chaise après ? », s'interroge Baptiste Busch. Pour le savoir, Aica collabore avec le Swiss Battery Technology Center et le luxembourgeois Circu Li-Ion sur un projet de désassemblage automatique de batteries, sur la base d’instructions fournies par le constructeur de la batterie.
