Présentation
Spranic, start‑up basée à Munich, propose une couche de mémoire spatiale destinée aux intelligences artificielles embarquées dans des robots. Cette couche consigne les caractéristiques d’un espace physique ainsi que les évolutions de cet environnement au fil du temps. Selon le fondateur Jordi Spranger, l’objectif est de fournir aux machines le même type de contexte que les agents numériques utilisent aujourd’hui, mais appliqué au monde réel.
Architecture de la mémoire spatiale
Le système de Spranic capture des données géométriques et sémantiques – par exemple la position d’obstacles, la configuration de pièces ou les changements d’aménagement – puis les stocke sous forme de modèles temporels. Chaque mise à jour crée un historique qui permet à un robot de comparer l’état actuel à des états précédents, facilitant ainsi la planification dynamique. Cette approche repose sur des capteurs de perception (lidar, caméras, capteurs de profondeur) qui alimentent le moteur de mise à jour en temps réel.
En pratique, la couche de mémoire expose une API qui renvoie des requêtes spatiales (ex. « quel est le chemin libre vers la zone X ? ») et des métadonnées de provenance. La provenance indique la source du relevé (capteur, moment, confiance) et rend possible la traçabilité des décisions prises par le robot, un point souligné par Spranger comme essentiel pour la sécurité et l’auditabilité.
Intégration des graphes de connaissances
Spranic relie la mémoire spatiale à des graphes de connaissances afin de connecter les données d’environnement à d’autres domaines (logistique, maintenance, sécurité). Les graphes offrent une structure flexible où chaque nœud représente une entité (objet, zone, tâche) et chaque arête porte une relation (« situé dans », « requiert », « provenance »). Cette modélisation permet aux robots de récupérer, en une seule requête, l’ensemble des informations pertinentes pour une tâche donnée.
Par exemple, lorsqu’un robot doit déplacer un colis, le graphe peut lier la localisation du colis, les contraintes de poids, les règles de sécurité et l’historique des déplacements précédents. Le robot obtient ainsi un contexte complet sans devoir reprogrammer chaque scénario, ce qui réduit le besoin de planification spécifique à chaque déploiement.
Limites et perspectives
Le principal défi identifié réside dans la gestion de la volumétrie des données spatiales. Un environnement dynamique génère de nombreux relevés, ce qui impose des exigences de stockage et de bande passante pour maintenir la couche à jour. De plus, la précision des capteurs influence directement la fiabilité du graphe de connaissances ; des erreurs de mesure peuvent se propager dans les décisions robotisées.
Spranic prévoit d’optimiser les algorithmes de compression temporelle et d’intégrer des mécanismes de validation de la provenance afin de limiter les risques d’incohérence. L’ambition à moyen terme est de proposer une « Google Maps » enrichie pour les robots, capable de s’adapter en temps réel à des environnements changeants tout en conservant une traçabilité complète des sources de données.
