3 choses que l'IA ne réglera pas à votre place dans l'entrepôt

La Physical AI et les Large Behavior Models font leur entrée dans la robotique mobile plus vite que ne le prévoyaient, il y a encore un an, la plupart des équipes de maintenance. Un AMR toujours plus « intelligent » sait prendre des décisions qu'il fallait auparavant lui apprendre pas à pas, mais la préparation de l'entrepôt aux AMR dépend toujours de ce qui se passe au sol, et non dans le modèle. L'IA peut donner au robot une décision. Votre atelier doit toujours lui donner des limites.

Au Robotics Summit & Expo, l'un des plus grands rendez-vous du secteur de la robotique mobile, plus de 70 intervenants et plusieurs dizaines de sessions ont montré la même orientation : l'apprentissage des robots passe de « écrire un script pour chaque situation » à « le modèle apprend des comportements ». Parmi les exposants et les intervenants figuraient des équipes de recherche travaillant sur les Large Behavior Models, des modèles qui généralisent le mouvement et la manipulation au lieu d'exécuter une séquence programmée de manière rigide. C'est un changement réel. Et c'est justement pourquoi il est utile de distinguer, à froid, deux choses : ce que l'algorithme fait de mieux en mieux, et ce que l'environnement doit fournir.

La Physical AI change le robot, pas l'entrepôt

Le plus grand malentendu dans les discussions sur les déploiements se formule ainsi : « puisque le robot a une IA de plus en plus performante, il s'en sortira avec notre désordre ». Il ne s'en sortira pas. Un modèle comportemental améliore la manière dont le robot réagit à ce qu'il voit, mais il ne change pas la qualité de ce qu'il y a à voir. Si le signal d'entrée est ambigu, même le meilleur modèle prendra une décision sur la base de mauvaises données.

En pratique, un AMR intelligent dans un atelier désorganisé se comporte mal de manière prévisible : il ralentit plus souvent, s'arrête plus souvent, interagit plus souvent avec la circulation piétonne, parce qu'il ne dispose pas d'un référentiel fiable. L'algorithme ne « devinera » pas où s'arrête l'allée de circulation et où commence la zone de dépose si cette limite n'existe pas au sol. La Physical AI relève le plafond des capacités du robot. Le plancher, c'est toujours vous qui le posez.

1. Des trajets lisibles

La première chose que l'IA ne réglera pas à votre place, c'est le tracé univoque des trajets. Le robot sait circuler dans un couloir défini et éviter les obstacles, mais si le couloir lui-même n'est pas physiquement délimité, chaque trajet devient une négociation avec l'environnement. Des allées mal marquées augmentent le nombre d'arrêts et de points où la machine rencontre un piéton, et chacune de ces rencontres représente des secondes d'arrêt et un risque réel.

Un trajet lisible pour la personne comme pour le robot, ce n'est pas une ligne tracée « à peu près là où l'on passe ». C'est une allée avec une largeur et un sens définis, et un marquage cohérent sur toute la longueur de l'atelier. Des rubans de marquage au sol contrastés matérialisent un tracé que l'opérateur comprend sans instructions et que le système autonome considère comme un point de référence stable. Moins il y a d'endroits où « on ne sait pas par où passer », moins il y a de micro-arrêts et plus la disponibilité (uptime) de la flotte est élevée.

2. Des zones de circulation et de travail claires

La deuxième chose est la séparation des zones. Un entrepôt dans lequel l'aire de dépose, le cheminement piéton, le trajet du chariot et la trajectoire du robot se chevauchent génère des conflits, quelle que soit la qualité du modèle qui le pilote. L'autonomie ne supprime pas le conflit : elle ne fait que le révéler plus vite.

Le zonage commence par une décision de conception : où le robot peut circuler, où il doit ralentir, où il doit céder le passage et où l'accès lui est totalement interdit. Ce n'est qu'ensuite qu'il se traduit en marquages physiques. C'est là que fait ses preuves la combinaison du marquage au sol et d'éléments faciles à déplacer lorsque l'agencement change. Les barrières mobiles ZonePro permettent de délimiter rapidement une zone de charge, un tampon ou un espace temporairement fermé à la circulation, sans intervention sur le sol. Dans un environnement à trafic mixte, où les personnes, les chariots et les AMR travaillent simultanément, une limite de zone nette est ce qui transforme un espace partagé en processus prévisible.

3. Des points limites physiques et visuels

La troisième chose est la plus souvent négligée, car elle semble triviale : l'algorithme ne remplacera pas la barrière. Le modèle peut reconnaître qu'il a un obstacle devant lui, mais il ne sécurisera pas l'endroit où le trajet du robot croise un poteau, une porte ou le bord d'un rayonnage. Les points limites doivent exister simultanément sur deux plans : comme protection physique et comme signal visuel pour la personne.

Les points de collision critiques se protègent avec une barrière industrielle ; les endroits où la lisibilité compte sous un éclairage plus faible ou en cas de coupure de courant sont complétés par des panneaux photoluminescents. L'objectif est que le robot comme l'opérateur reçoivent la même information sur la limite : l'un dans le système, l'autre dans son champ de vision. Quand une personne comprend les règles de circulation en deux secondes, l'environnement est prêt. Quand elle a besoin de demander ou de réfléchir, il ne l'est pas.

L'ordre qui fonctionne : flux, limites, autonomie

La préparation de l'entrepôt aux AMR suit un ordre éprouvé, qu'il vaut la peine de respecter même lorsque le fournisseur du robot promet que « le logiciel s'occupera du reste ». D'abord la logique du flux : par où et dans quel sens circulent les matériaux. Ensuite les limites : où s'arrête une zone et où commence la suivante. Et seulement à la fin, l'autonomie, qui, sur un fondement ainsi préparé, raccourcit réellement le cycle au lieu de le déstabiliser.

Inverser cet ordre est l'erreur la plus coûteuse des déploiements : l'entreprise achète un robot intelligent, puis passe des mois à l'ajuster à un espace que personne n'a organisé au préalable. L'effet est inverse de celui recherché : l'automatisation ne supprime pas le chaos, elle l'accélère et le rend visible. Le robot ira là où vous le lui demandez, mais seulement si ce « là » est décrit sans ambiguïté dans l'atelier.

Préparation de l'entrepôt aux AMR : la check-list avant de faire entrer le robot

• Trajets : l'opérateur voit-il le tracé de l'allée sans demander et sans faire demi-tour ? S'il doit poser des questions, la circulation n'est pas évidente non plus pour le robot.
• Zones : les aires de dépose, piétonnes, réservées aux chariots et aux robots sont-elles séparées, ou se chevauchent-elles ?
• Limites : les points de collision critiques sont-ils protégés physiquement, et pas seulement « visibles » ?
• Lisibilité dans des conditions défavorables : le marquage fonctionne-t-il sous un éclairage plus faible et pendant le changement d'équipe ?
• Cohérence entre les équipes : les règles de circulation sont-elles les mêmes le matin et en équipe de nuit, ou chaque équipe « fait-elle à sa façon » ?

Si la réponse à une seule de ces questions est « ça dépend », il vaut mieux commencer par le niveau de l'organisation de la circulation plutôt que par l'achat d'une technologie supplémentaire. C'est l'étape la moins coûteuse de tout le déploiement, et en même temps celle qui conditionne la rentabilité de toutes les autres.

Un modèle d'IA plus récent ne rendra-t-il pas le marquage superflu ?

Pas dans l'horizon dont nous parlons. Les générations successives de modèles améliorent la capacité de décision du robot, mais toutes fonctionnent à partir des signaux de l'environnement. Mieux le modèle « raisonne dans l'espace », plus la qualité de ce qu'il voit compte. Un atelier lisible n'est pas une béquille pour une IA faible : c'est la condition pour qu'une bonne IA ait de quoi tirer parti.

Par où commencer si le budget est limité ?

Par les trajets et les zones, car ce sont eux qui génèrent le plus de micro-arrêts. Organiser les allées avec des rubans de marquage au sol et délimiter les zones clés avec des barrières mobiles offre généralement le retour le plus rapide, avant même l'arrivée du premier robot dans l'atelier. La sécurisation des points limites et la lisibilité dans des conditions défavorables viennent s'y ajouter dans un second temps.

Sources

• The Robot Report, Robotics Summit & Expo : la Physical AI et les Large Behavior Models dans la robotique mobile : therobotreport.com