La robotique conventionnelle évolue
En robotique dite conventionnelle, le robot agit sur son environnement en exécutant des séquences d’instruction définies d’avance. Il peut faire partie d’un système combinant des capteurs, des éléments de traitement et des actionneurs, mais ce système est compact, indépendant et limité dans ses capacités en termes de flexibilité, de réutilisation et d’adaptation aux nouvelles situations. Au fil des années, on a vu apparaitre d’autres « types » de robotique, notamment la robotique collaborative, la robotique mobile, la robotique auto-programmable et, plus récemment, la robotique avancée.
En bref, la robotique collaborative a permis d’intégrer les robots dans des cellules robotiques pour travailler à proximité des opérateurs ou en relation directe avec eux, et ce, en l’absence totale ou partielle de barrières physiques entre l’homme et le robot afin qu’ils puissent interagir. La robotique mobile a donné aux robots la capacité de se déplacer dans leur environnement. Ils peuvent même naviguer dans un environnement non contrôlé sans avoir de dispositifs de guidage physique ou électromagnétique. La robotique auto-programmable repose sur la digitalisation 3D de la pièce à traiter par un procédé donné (le plus souvent la peinture, le sablage ou le soudage) et le jumeau numérique de la cellule. Le modèle résultant est ensuite utilisé pour générer automatiquement les trajectoires.
Sans doute, les robots collaboratifs (aussi appelé cobots) mobiles et auto-programmables permettent de proposer des solutions de pointe qui répondent à certains besoins spécifiques des industriels. Cependant, les industriels continuent à voir croitre la complexité de leurs procédés de fabrication et se heurtent aujourd’hui à une pénurie de main-d’œuvre. La robotique avancée résout ces types de problèmes.
Une robotique intelligente
La robotique avancée, aussi dite intelligente, peut être collaborative, mobile et auto-programmable, mais elle intègre surtout les algorithmes d’intelligence artificielle (IA) à la robotique afin d’engendrer un niveau d’autonomie accru pour les robots qui deviennent désormais capables d’analyser et d’évaluer le meilleur plan d’action compte tenu des données fournies par le monde extérieur, soit communiquées par une source tierce, soit collectées à l’aide de capteurs. Cette intégration est à la base de nombreux développements actuels dans les deux domaines avec l’application de technologies, telles que la vision numérique et le traitement du langage naturel permettant d’énormes progrès dans tout, des véhicules autonomes aux androïdes de type humain, en passant par les robots industriels. Ces technologies sont en train d’étendre l’utilisation des robots au-delà des environnements contrôlés vers des espaces non contrôlés et des industries spécialisées vers toutes les industries.
L’association de l’intelligence artificielle à la robotique avancée
Les algorithmes d’IA éliminent le besoin de programmer d’avance le robot pour des scénarios connus. Ils font cela en mettant à contribution les techniques d’apprentissage machine, notamment l’apprentissage profond (AP) et l’apprentissage par renforcement (AR).
Les algorithmes d’AP programment les robots en leur fournissant des exemples de réalisation de la tâche (ex. de saisie de pièce) évitant ainsi d’avoir à les programmer sur la manière de s’y prendre pour réaliser cette tâche. Le programmeur fournit au robot, via le réseau de neurones, des exemples de saisie.
De leur côté, les algorithmes d’AR fournissent aux robots un moyen « d’apprendre » des comportements spécifiques à partir de leurs interactions avec l’environnement. Ainsi, on fournit au contrôleur du robot des spécifications de haut niveau sur ce qu’il faut faire au lieu de comment le faire. Un bon exemple de l’utilisation de l’AR est un robot qui apprend à marcher. Tout d’abord, le robot tente un grand pas en avant et tombe. Ce résultat négatif fait en sorte que la machine corrige l’activité pour essayer un pas plus petit. C’est comme ça, donc, que le système d’apprentissage par renforcement finit par obtenir différents points de données pour construire un modèle de la capacité de marcher pour le robot.
L’apprentissage en simulation
Les deux groupes de techniques d’AP et d’AR peuvent utiliser des données du monde réel (acquises lors d’expérimentations avec de véritables robots) ou du monde virtuel (obtenues par la simulation de différents scénarios d’opération potentiels). L’idée derrière l’utilisation de la simulation est de former un modèle virtuel du robot réel pour pouvoir générer des données d’entraînement des algorithmes d’IA. Il est clair que la génération de données par simulation est beaucoup plus rapide et peu coûteuse. Aujourd’hui, d’importants efforts sont investis pour développer des plateformes infonuagiques qui permettent de faire de la randomisation de domaines, de simulation photoréaliste et d’imitation précise de la physique. Ces plateformes cherchent à combler le fossé entre la simulation et la réalité avec l’objectif de faire du « Sim2Real », c’est-à-dire de transférer des compétences robotiques acquises en simulation vers le robot réel pour être mises en pratique directement au poste de travail en production.
Programmation de recherche du CRVI en robotique avancée
Le CRVI est bien conscient du potentiel démontré par la robotique avancée pour adresser les problèmes auxquels se heurtent les industriels. C’est pour cela qu’il a choisi de placer le prototypage de solutions de robotique avancée au cœur de son programme de recherche 2021-2026 financé par le CRSNG, le ministère de l’Économie et de l’Innovation, le ministère de l’Enseignement supérieur et la Fondation canadienne pour l’innovation (FCI). Le CRVI collabore avec l’industrie et des joueurs incontournables dans le monde de la robotique avancée, de l’IA et des effecteurs robotiques, tels que NVIDIA et QSCale pour ne nommer que ceux-là. Les efforts du CRVI viseront à mettre en place un cadre de développement permettant de prototyper rapidement une large gamme d’applications de robotique avancée.
