Usage de l’IA pour la manipulation robotique d’objets linéaires déformables
Comment permettre à un robot de manipuler de manière fiable des objets souples et déformables, comme des câbles ou des faisceaux, tout en répondant aux exigences industrielles de précision, de robustesse et de répétabilité ?
C’est à cette problématique que s’est attaquée l’équipe Robotique & Cobotique de l’IRT Jules Verne à travers le développement d’un démonstrateur dédié à l’usage de l’intelligence artificielle pour la manipulation robotique d’objets linéaires déformables (DLO). Ce démonstrateur s’inscrit dans une démarche de recherche interne visant à anticiper les besoins industriels futurs, notamment dans les domaines du câblage, de l’assemblage et de la manipulation de composants complexes.
Les enjeux : manipuler l’imprévisible
Les objets linéaires déformables présentent un défi majeur pour la robotique industrielle. Contrairement aux pièces rigides, leur comportement est difficilement prédictible : ils se déforment en continu, peuvent s’auto-occulter et ne peuvent être contrôlés que de manière indirecte, via leurs extrémités. Une action locale peut avoir des effets globaux non linéaires sur l’ensemble de l’objet.
Dans ces conditions, les approches robotiques classiques, fondées sur une programmation manuelle des trajectoires et une décomposition stricte des fonctions (perception, planification, contrôle), atteignent rapidement leurs limites dès que la tâche requiert de la dextérité, de l’adaptabilité et une forte interaction avec l’environnement.
Pour répondre à ces verrous technologiques, l’IRT Jules Verne explore de nouvelles approches issues de l’IA, capables de s’affranchir en partie de la modélisation analytique complexe de ces objets, tout en restant compatibles avec des applications industrielles concrètes.
La démarche : apprendre le geste plutôt que le programmer
Le démonstrateur repose sur une approche différente : plutôt que de programmer chaque étape, le robot apprend le geste en observant des démonstrations humaines.
Le cas d’usage étudié concerne l’installation d’un câble sur un panneau, incluant des opérations de branchement et de mise en goulotte. Ce scénario, volontairement exigeant, est représentatif de nombreuses situations industrielles où la manipulation fine d’objets souples reste difficile à automatiser.
Le robot apprend en observant les gestes de l’opérateur, en combinant mouvements et actions avec les données de ses capteurs. Caméras haute résolution et capteurs tactiles GelSight lui permettent de percevoir avec précision la forme et le comportement des objets manipulés.
Ces données alimentent ensuite une phase d’apprentissage hors ligne, au cours de laquelle des modèles d’apprentissage par imitation de l’état de l’art sont entraînés pour permettre au robot de reproduire et adapter ces gestes à des situations similaires. Une phase d’optimisation en situation réelle permet enfin au robot d’exécuter la tâche et d’améliorer progressivement son comportement, dans un cadre semi-supervisé, afin de gagner en robustesse et en adaptabilité.
Des résultats tangibles en conditions réelles
Les travaux menés ont permis de valider une chaîne complète de manipulation robotique par IA, depuis la simulation jusqu’au déploiement sur une cellule robotique réelle de l’IRT Jules Verne. Des campagnes d’évaluation ont été conduites afin de comparer différentes architectures d’apprentissage par imitation sur des tâches impliquant des objets rigides et déformables, et d’en mesurer les performances en conditions réelles.
Ces expérimentations ont démontré que les approches end-to-end permettent d’atteindre des comportements de manipulation complexes, difficiles, voire impossibles à reproduire avec des méthodes de programmation robotique classiques. Le démonstrateur est capable de gérer des situations impliquant des auto-occlusions, des contacts multiples et des variations de configuration, tout en conservant une cohérence du geste et une reproductibilité compatibles avec un contexte pré-industriel.
Au-delà des performances observées, ce travail a permis à l’IRT Jules Verne de consolider une expertise opérationnelle sur les conditions nécessaires à la stabilisation de ces modèles : configuration de scène, choix et positionnement des capteurs, réglage des paramètres critiques et compréhension fine des limites actuelles des solutions de l’état de l’art. Cette capitalisation est essentielle pour évaluer la maturité réelle de ces approches en vue d’un transfert industriel.
« Ce démonstrateur nous a permis d’identifier clairement ce que les approches IA actuelles savent faire, mais aussi ce qu’il reste à consolider pour atteindre le niveau de robustesse attendu en environnement industriel. » Déclare Mark Bastourous, ingénieur robotique à l’IRT Jules Verne
Des résultats concrets pour les applications industrielles
Ce démonstrateur constitue aujourd’hui une brique technologique structurante pour les travaux de l’IRT Jules Verne en robotique et cobotique. Il ouvre la voie à de nombreuses applications industrielles, telles que le câblage complexe, la réalisation de harnais électriques, la manipulation de composites ou encore la programmation rapide de robots par démonstration.
Les perspectives de recherche porteront notamment sur l’amélioration de la robustesse face aux perturbations du monde réel, l’exploration de nouvelles architectures adaptées aux tâches longues et complexes, ainsi que sur l’optimisation des interfaces de collecte de données afin d’accélérer les cycles d’apprentissage. L’objectif est de rapprocher progressivement ces approches issues de la recherche des exigences de fiabilité, de répétabilité et de transférabilité attendues sur les lignes de production.
Avec ce démonstrateur, l’IRT Jules Verne montre comment il anticipe les évolutions de la robotique industrielle, expérimente de nouvelles approches en conditions réelles et transforme les avancées technologiques en démonstrateurs concrets, au service des besoins industriels.
Découvrez la vidéo du démonstrateur en action :
