Contexte et financement

Destro AI Inc., startup de moins d’un an spécialisée dans la robotique d’entrepôt, a levé 8 millions de dollars lors d’un tour de table mené par Base10 Partners et Bonfire Ventures, avec le soutien de CoFound Partners. Le capital est destiné à renforcer les équipes d’ingénierie et de recherche afin d’étendre la plateforme MothershipOS à davantage d’entrepôts. Le premier client nommé, Yusen Logistics (Americas), a déjà déployé la solution dans deux sites : un pilote de trois robots Miva Robotics au Nord‑Ouest Pacifique, puis une extension à 26 robots, et un second pilote de 17 robots en Californie du Sud.

Architecture du système MothershipOS

MothershipOS agit comme une couche d’orchestration indépendante de tout fabricant. Il reçoit les demandes de traitement (déplacement, tri, chargement) et les répartit en temps réel parmi les robots disponibles, quel que soit leur modèle ou leur protocole de communication. Cette abstraction repose sur un moteur de planification basé sur des graphes de tâches, où chaque nœud représente une opération et chaque arête encode les contraintes de temps et d’espace. Le moteur interroge un registre de capacités robotiques : vitesse, charge maximale, portée de manipulation, etc., pour sélectionner le robot optimal à chaque instant.

Intégration VisionOS et perception IA

La manipulation mobile est déléguée à VisionOS, un sous‑système d’IA entraîné à partir de démonstrations humaines. Les modèles de vision utilisent des réseaux de neurones convolutifs (CNN) couplés à des architectures de type transformer pour la reconnaissance d’objets et la génération de points de préhension. Les données d’entraînement proviennent de scénarios de transchargement réels, ce qui permet à VisionOS de généraliser à des formes d’emballages variées. Le flux de travail consiste à capturer une image, à inférer la pose de l’objet, puis à transmettre les coordonnées de préhension au robot via une API REST interne.

Implications opérationnelles et limites

En centralisant la décision, MothershipOS réduit la dépendance à un seul fournisseur, offrant aux opérateurs la flexibilité de remplacer ou d’ajouter des robots sans reprogrammer l’ensemble du système. Cependant, la solution repose sur une connectivité réseau fiable ; toute latence ou perte de paquets peut entraîner des conflits de planification. De plus, la précision de VisionOS dépend de la qualité des données d’entraînement : des objets non représentés dans le jeu de données peuvent provoquer des échecs de préhension. Enfin, le cadre réglementaire autour des robots autonomes dans les entrepôts reste en évolution, ce qui impose aux déploiements de prévoir des mécanismes de conformité et de mise à jour logicielle.