Estimation de la présence humaine par vision pour améliorer la sécurité et l'efficacité des AMR en entrepôt industriel

Automatisation robotique assistée par apprentissage automatique pour la fabrication industrielle

Des chercheurs ont présenté un système hybride baptisé Learning-Augmented Robotic Automation (LARA), déployé sur une ligne de production réelle de moteurs électriques pour automatiser deux tâches jusqu'alors confiées à des opérateurs humains : l'insertion de câbles déformables et la soudure. Le système combine des contrôleurs de tâches appris par imitation et un moniteur de sécurité neuronal 3D, intégré directement dans les workflows industriels existants. Entraîné avec moins de 20 minutes de données réelles par tâche, LARA a fonctionné en continu pendant 5 heures 10 minutes, produisant 108 moteurs sans barrière physique de protection, avec un taux de conformité de 99,4 % aux tests de contrôle qualité au niveau produit. Le takt time atteint est comparable à celui d'un opérateur humain, avec une réduction mesurée de la variabilité des joints de soudure et des temps de cycle. Ce résultat s'attaque directement au fossé entre démonstration laboratoire et déploiement industriel effectif, l'obstacle principal qui freine l'adoption de la robotique apprenante en production. L'entraînement en moins de 20 minutes par tâche abaisse considérablement la barrière à l'intégration pour les industriels et les intégrateurs système. Pour un COO de ligne d'assemblage, le point le plus structurant est l'absence de caging physique : le moniteur neuronal remplace les protections mécaniques classiques, ouvrant la voie à des cellules collaboratives sans les coûts de reconfiguration d'atelier associés aux robots industriels traditionnels. La manipulation de câbles déformables et la soudure figurent parmi les tâches les plus résistantes à la robotisation classique, du fait de la déformation matière et de la non-répétabilité des poses. Sur ce segment, Physical Intelligence (Pi-0.5) et Figure AI (Helix sur Figure 02) poussent des VLA généralistes pour la manipulation multi-tâches, tandis que Wandercraft et Enchanted Tools, tous deux français, ciblent respectivement la mobilité humanoïde et les robots de service. LARA se distingue par son pragmatisme : pas d'humanoïde, pas de modèle fondationnel, mais une hybridation ciblée sur des cellules industrielles existantes. Les auteurs évoquent comme suites naturelles l'extension à d'autres tâches de câblage et la validation sur des lignes multi-produits.

ABB Robotics lance la famille de cobots PoWa pour les tâches industrielles

ABB Robotics a officiellement lancé cette semaine la famille de cobots PoWa, une gamme de six modèles couvrant des capacités de charge utile allant de 7 à 30 kg, avec une vitesse maximale annoncée de 5,8 m/s. Destinés à des applications industrielles comme l'alimentation de machines, la palettisation, le vissage et la soudure à l'arc, ces cobots reposent sur le contrôleur ABB OmniCore et s'intègrent aux logiciels maison RobotStudio et Wizard Easy Programming. ABB met en avant une mise en service inférieure à une heure, une programmation sans code via des boutons sur le bras, et une compatibilité avec un large écosystème d'accessoires tiers. La gamme est présentée comme un produit disponible à la vente, non comme un teaser, bien que les volumes de déploiement initiaux et la tarification n'aient pas été communiqués. Ce lancement répond à un vrai vide de marché : les cobots classiques plafonnent généralement autour de 10 à 16 kg avec des vitesses limitées, insuffisants pour les applications cycle rapide à charge élevée typiques de l'industrie manufacturière dense. ABB positionne PoWa comme une alternative aux robots industriels traditionnels pour les entreprises qui veulent automatiser des tâches lourdes sans la rigidité opérationnelle et les coûts d'intégration associés. Pour un COO industriel ou un intégrateur, le message est lisible : payload de 30 kg à 5,8 m/s dans un encombrement cobot, avec une programmation accessible aux opérateurs non-spécialistes. Le marché des cobots est estimé en croissance de 20 % par an jusqu'en 2028 selon ABB, un chiffre cohérent avec les projections sectorielles, ce qui rend la fenêtre de lancement stratégiquement pertinente. L'intégration annoncée des librairies NVIDIA Omniverse dans RobotStudio (sous le nom RobotStudio HyperReality, attendu en abonnement pour le second semestre 2026) indique une trajectoire vers la simulation haute fidélité et le déploiement sim-to-real, encore au stade de l'annonce à ce stade. ABB Robotics est l'un des quatre grands du robot industriel mondial, aux côtés de FANUC, KUKA et Yaskawa Motoman. Ses quelque 7 000 employés opèrent depuis un QG américain à Auburn Hills, Michigan. En octobre 2025, ABB Group a annoncé la cession de sa division robotique à SoftBank Group pour 5,3 milliards de dollars, une transaction qui n'est pas encore finalisée et dont les implications sur la stratégie produit restent à préciser. Sur le segment des cobots à forte charge, ABB affronte désormais des acteurs comme Universal Robots (UR20, 20 kg), FANUC CRX-25iA (25 kg) et Techman Robot, mais aussi des challengers asiatiques comme Doosan Robotics ou Elephant Robotics montant en gamme. Aucun partenaire FR/EU n'est mentionné dans ce lancement. Les prochaines étapes annoncées se limitent à RobotStudio HyperReality en H2 2026 ; aucun pilote client ni site de déploiement n'a été rendu public à ce stade.

💬 30 kg à 5,8 m/s dans un encombrement cobot, c'est le genre de fiche technique qui fait relire deux fois. ABB bouche un vrai trou là où Universal Robots et FANUC plafonnent encore à 20-25 kg avec des vitesses qui limitent les cycles rapides, et la mise en service en moins d'une heure c'est pas du marketing si ça tient en prod. Reste quand même la question qui flotte : avec la cession à SoftBank pas encore bouclée à 5,3 milliards, on sait pas vraiment qui tiendra le volant sur la roadmap dans 18 mois.

Flex et Teradyne Robotics renforcent leur partenariat pour déployer l'automatisation intelligente dans l'industrie mondiale

Flex, l'un des plus grands sous-traitants industriels mondiaux avec des dizaines de sites de production dans une trentaine de pays, et Teradyne Robotics ont annoncé en avril 2026 l'élargissement de leur partenariat pour déployer l'automatisation intelligente à grande échelle dans la fabrication mondiale. L'accord instaure une double relation : Flex intègre les solutions de Teradyne Robotics directement dans ses propres lignes de production, tout en assurant la fabrication de composants robotiques clés pour permettre des déploiements plus larges chez les clients de Teradyne. Les volumes de déploiement visés et les détails financiers de l'accord n'ont pas été communiqués. Ce positionnement simultané en tant que client et fournisseur constitue un modèle industriel peu courant et potentiellement structurant. Pour un décideur B2B, le signal est clair : un EMS (Electronics Manufacturing Services) de cette envergure valide en conditions réelles la maturité opérationnelle des cobots Universal Robots et des robots mobiles MiR, les deux marques regroupées sous Teradyne Robotics. L'accord sécurise également une capacité de fabrication de composants externe pour Teradyne, réduisant les risques de montée en volume sans investissement industriel propre supplémentaire, un avantage concret dans un marché où la capacité de production reste un goulot d'étranglement. Teradyne Robotics est la division robotique de Teradyne Inc., issue de l'acquisition d'Universal Robots en 2015 (environ 285 millions de dollars) puis de MiR en 2018. L'entreprise fait face à une concurrence croissante sur les deux segments : Fanuc, Doosan et Techman Robot gagnent du terrain sur les cobots, tandis qu'Exotec (acteur français en logistique automatisée) et Zebra Technologies (Fetch Robotics) accélèrent sur les AMR. Le réseau de production de Flex, qui couvre des verticales aussi variées que l'automobile, le médical et l'électronique grand public, pourrait servir de terrain d'expansion accéléré pour Teradyne sans passer par les cycles habituels d'intégration terrain.

Planification hybride tâche-mouvement et gestion réactive des collisions pour le démontage multi-robots de batteries VE

Des chercheurs ont publié, dans un article arXiv (2509.21020v2), un cadre de planification tâche-et-mouvement (TAMP) appliqué au démontage de batteries de véhicules électriques par deux bras robotiques travaillant en parallèle. Le système intègre une décomposition et une allocation dynamique des tâches, un planificateur de trajectoire basé sur RRT enrichi par un modèle de mélanges gaussiens (GMM), et une couche de sécurité hybride combinant un jumeau numérique MoveIt/FCL pour la détection prédictive de collisions avec un module d'évitement réactif par vision. Contrairement à une planification en boucle ouverte, le système opère en boucle fermée : il rescanne la scène en continu et met à jour la séquence de tâches restante selon l'état d'achèvement réel. Sur des expériences physiques de démontage de batteries EV, comparé à l'algorithme de référence RRTConnect, le framework réduit la longueur cumulée des trajectoires d'effecteur de 48,8 m à 17,9 m (soit -63,3 %), améliore le temps global de cycle (makespan) de 467,9 s à 429,8 s (-8,1 %), et diminue les volumes balayés par chaque robot (R1 : de 0,583 à 0,139 m³ ; R2 : de 0,696 à 0,252 m³), ainsi que leur chevauchement (de 0,064 à 0,034 m³). Ces résultats sont significatifs pour les intégrateurs industriels qui travaillent sur des lignes de démantèlement de batteries en fin de vie, un marché en forte croissance avec la montée en volume des VE. La combinaison planification prédictive et évitement réactif -- sans recours à une trajectoire figée -- est ce qui distingue l'approche : le système peut gérer des obstacles dynamiques et des imprévus de perception sans replanification globale coûteuse. La réduction de 63 % des distances parcourues réduit mécaniquement l'usure, le temps d'exposition aux risques de collision et l'énergie consommée, trois facteurs critiques pour un passage à l'échelle industrielle. Il faut noter que les expériences sont réelles (pas uniquement en simulation), ce qui renforce la crédibilité des métriques, même si les conditions exactes de test (variété des modules de batteries, taux d'échec de perception) ne sont pas détaillées dans le résumé. Le problème de démontage de batteries VE est devenu un axe de recherche prioritaire avec les objectifs européens de recyclage fixés par le règlement batteries 2023. Des équipes académiques et industrielles comme celles gravitant autour de MoveIt (OSRF), ainsi que des acteurs français tels que Pollen Robotics ou des intégrateurs proches du CEA-List, explorent des pistes similaires. Ce travail s'inscrit dans une tendance plus large : dépasser le sim-to-real gap en déployant des planificateurs hybrides sur du matériel réel, et adresser des tâches séquentielles complexes à contraintes d'ordre strict (précédence de dévissage, fragilité des cellules). La prochaine étape logique serait de tester la robustesse sur une gamme élargie de modèles de batteries et d'intégrer un retour haptique pour les phases de contact délicat.

💬 63 % de réduction de trajectoires sur de vrais robots, pas en simulation, c'est rare dans les papiers arXiv et ça change vraiment la crédibilité du truc. La boucle fermée (rescan continu, réallocation dynamique) c'est exactement ce qu'il faut pour tenir en conditions industrielles, où une batterie mal positionnée ou un module abîmé peuvent faire dérailler toute la séquence. Reste à voir si ça tient sur une gamme large de modèles de batteries, parce que les conditions exactes de test ne sont pas détaillées, mais le règlement UE 2023 va créer la demande, et là il commence à y avoir des outils à la hauteur.