Contexte industriel

Dans la plupart des usines, les robots sont codés pour une tâche unique. Modifier une ligne de production implique alors un re‑programmage manuel et un changement d’outillage, processus qui dure souvent plusieurs semaines. Cette rigidité contraint les fabricants à simplifier leurs produits pour garantir la répétabilité.

Architecture de la solution

Industrial Next propose des stations robotiques autonomes alimentées par des modèles de fond propriétaires qui intègrent vision, contexte de tâche et commande de mouvement. Les modèles sont entraînés dans un moteur de simulation à haute fidélité, reproduisant les dynamiques physiques réelles. Cette approche permet d’enseigner de nouvelles tâches par démonstration virtuelle plutôt que par des scripts codés, réduisant le temps de reconfiguration à quelques minutes.

Performances démontrées

Les stations sont déjà déployées sur une chaîne de montage d’un smartphone très répandu, où elles accomplissent des opérations jugées trop délicates pour l’automatisation traditionnelle : enfilage de câbles flexibles, insertion de capuchons de connecteurs et décollage de films protecteurs sur modules caméra. Le robot de « film peeling » atteint une vitesse comparable à celle d’un opérateur humain avec une précision de 100 % même lorsqu’il est transféré sur un modèle de téléphone jamais vu auparavant.

Implications et limites

Le partenariat annoncé avec le BMW Group Technology Office montre l’intérêt du secteur automobile pour cette technologie, qui vise à automatiser des tâches complexes et délicates sans intervention humaine. Cependant, la dépendance à des jeux de données de simulation très détaillés constitue un goulot : la génération de ces environnements nécessite des ressources de calcul importantes et une modélisation précise des matériaux. De plus, la transition d’applications de petite taille (smartphones) à la fabrication d’un véhicule complet reste à valider, car la variété des pièces et les tolérances mécaniques augmentent exponentiellement la complexité des scénarios d’apprentissage.