www.industrieweb.fr
20
'26
Written on Modified on
Apprentissage par imitation pour robots industriels pilotés par l’IA
Universal Robots et Scale AI développent un système de formation de modèles d’IA basé sur la capture de données multimodales synchronisées sur cobots industriels.
www.universal-robots.com
Universal Robots et Scale AI ont développé un système permettant aux robots industriels d’apprendre des tâches par démonstration humaine, en exploitant des données synchronisées de mouvement, de force et de vision pour entraîner des modèles d’IA déployables en environnement réel.
Contexte de la coopération
Universal Robots, fabricant de robots collaboratifs, et Scale AI, spécialiste des infrastructures de données pour l’IA, répondent à une limitation majeure de la robotique pilotée par l’IA : le manque de données d’entraînement fiables et exploitables en production. Les approches actuelles reposent souvent sur des plateformes de recherche ou sur des données visuelles seules, difficilement transférables à l’industrie.
Cette coopération combine des équipements robotiques industriels avec des capacités de traitement et d’annotation de données à grande échelle. Elle permet une acquisition cohérente des données directement sur les systèmes déployés, réduisant l’écart entre laboratoire et usine.
Solution technique et répartition des responsabilités
Le système, appelé AI Trainer, repose sur un apprentissage par imitation via une configuration leader–suiveur.
Universal Robots fournit :
- Les robots collaboratifs (UR3e, UR7e)
- Le contrôle direct du couple (Direct Torque Control) et la rétroaction de force
- L’intégration dans son environnement logiciel AI Accelerator
Scale AI apporte :
- L’infrastructure de collecte, structuration et annotation des données
- Le support à l’entraînement de modèles Vision-Language-Action (VLA)
En fonctionnement, un opérateur guide physiquement un robot « leader » dans l’exécution d’une tâche. Un robot « suiveur » synchronisé reproduit le mouvement en temps réel. Le système enregistre simultanément :
- Les trajectoires cinématiques
- Les signaux de force et de couple
- Les données visuelles
Ces données sont structurées pour entraîner des modèles capables d’associer perception et action dans des contextes d’automatisation industrielle.
Déploiement et mise en œuvre
La solution est déployée sur des cobots standards utilisés en production, garantissant la cohérence entre les phases d’entraînement et d’exploitation.
Elle s’intègre dans :
Déploiement et mise en œuvre
La solution est déployée sur des cobots standards utilisés en production, garantissant la cohérence entre les phases d’entraînement et d’exploitation.
Elle s’intègre dans :
- Des cellules physiques de capture de données
- Des environnements simulés basés sur NVIDIA Isaac Sim et Omniverse
- Des pipelines de données évolutifs pour l’amélioration continue des modèles
La génération de données synthétiques via simulation est également utilisée pour compléter les jeux de données réels.
Applications et cas d’usage
L’application principale démontrée concerne l’emballage automatisé de smartphones, nécessitant coordination et manipulation avec contact.
Autres cas d’usage :
Applications et cas d’usage
L’application principale démontrée concerne l’emballage automatisé de smartphones, nécessitant coordination et manipulation avec contact.
Autres cas d’usage :
- Opérations d’assemblage avec contrôle de force
- Manipulation de pièces variables
- Coordination robotique bimanuelle
- Préhension adaptative en environnement dynamique
Ces applications reposent sur un apprentissage adaptatif, réduisant le besoin de programmation fixe.
Résultats et impact attendu
Le système met en place une boucle continue d’amélioration basée sur les données collectées en exploitation.
Impacts techniques :
Résultats et impact attendu
Le système met en place une boucle continue d’amélioration basée sur les données collectées en exploitation.
Impacts techniques :
- Fiabilité accrue des données grâce à la capture multimodale synchronisée
- Réduction de la programmation manuelle
- Meilleure transférabilité entre entraînement et production
En combinant capture physique et infrastructure d’IA, cette coopération établit un cadre pour le déploiement de la robotique pilotée par l’IA au sein des infrastructures numériques industrielles, favorisant une optimisation continue et une adoption à grande échelle.
Rédigé par la journaliste industrielle Sucithra Mani avec l’assistance de l’IA.
www.universal-robots.com
Rédigé par la journaliste industrielle Sucithra Mani avec l’assistance de l’IA.
www.universal-robots.com
