Communication multimodale des états et intentions du robot, lisible et intuitive, validée en ligne et sur le 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.

Décision séquentielle par apprentissage multi-échelle pour la préparation de commandes en robotique de manutention

Des chercheurs ont publié en mai 2026 sur arXiv (référence 2605.08758) un framework de décision séquentielle baptisé OLSF-TRS, pour Omni-scale Learning-based Sequential Decision Framework for Tote-handling Robotic Systems. Ce système combine optimisation combinatoire structurée et apprentissage par renforcement multi-agent (MARL) pour coordonner simultanément les décisions liées aux commandes, aux bacs de manutention (totes) et aux robots dans les centres de préparation automatisés. En configuration petite échelle, OLSF-TRS affiche un écart d'optimalité moyen inférieur à 3,5% sur deux architectures système distinctes. En configuration grande échelle, il réduit les mouvements de bacs de 8 à 12% par rapport aux baselines heuristiques classiques, et de plus de 30% par rapport aux approches règle-based de l'état de l'art, tout en maintenant une réactivité en temps réel. L'enjeu concret pour les intégrateurs intralogistiques est significatif : la quasi-totalité des frameworks existants sont conçus sur mesure pour un type de système spécifique, tri-sorter, mini-load AS/RS ou AMR grid-based, ce qui rend tout transfert à un autre contexte laborieux. OLSF-TRS propose une couche de pilotage unifiée et scalable, potentiellement applicable à des architectures hétérogènes. La réduction de plus de 30% des mouvements de bacs se traduit directement en gains énergétiques, réduction de l'usure mécanique et meilleure stabilité du throughput, des KPIs centraux pour les COOs industriels. À noter cependant que les résultats reposent sur des simulations et benchmarks comparatifs sans déploiement terrain documenté, ce qui laisse entière la question du sim-to-real gap en production réelle. Ce travail s'inscrit dans une tendance structurelle de fond : la substitution des palettes par les bacs comme unité logistique primaire, portée par l'explosion du e-commerce et la fragmentation des commandes en petites séries. Des acteurs comme Exotec (France, système Skypod), AutoStore (Norvège) ou Geek+ (Chine) opèrent des déploiements massifs en grid-based robotics confrontés exactement à ces problèmes de coordination ordres-bacs-robots à grande échelle. La convergence entre optimisation combinatoire de type VRP et MARL est un champ de recherche en pleine effervescence, porté par des laboratoires industriels en Europe et en Asie. L'article ne mentionne ni partenariat industriel ni timeline de commercialisation, le positionnant comme une contribution académique précompétitive.

Eli Lilly et Purdue partageront leurs retours de terrain sur l'interaction homme-robot à RoboBusiness

Eli Lilly et l'université Purdue présenteront leurs retours de terrain sur l'interaction homme-robot (HRI) lors de RoboBusiness 2026, qui se tiendra les 20 et 21 octobre à Santa Clara, en Californie. La conférence, intitulée « Human-Robot Interaction: Bridging Academia and Industry », aura lieu le premier jour à 11h45 (heure du Pacifique). Elle sera donnée par Faraz Yousuf, ingénieur principal senior en applications robotiques chez Eli Lilly, et par la Dr Anastasia Kouvaras Ostrowski, professeure assistante à la School of Applied and Creative Computing de Purdue, avec une nomination associée en génie mécanique. Les deux intervenants exposeront les enseignements d'études HRI menées avec des opérateurs de sites de fabrication et d'entrepôts, au contact de véhicules à guidage automatique (AGV) en fonctionnement. Ils présenteront aussi des premiers résultats sur la perception des robots par les personnes sur le plancher de production, ainsi que la méthode qu'ils ont construite pour rendre ce partenariat reproductible. Aucun chiffre sur la taille des échantillons, les sites ou les résultats n'est communiqué à ce stade : il s'agit d'une annonce de programme, pas d'une publication de données. L'enjeu tient à un écart bien connu. La recherche en HRI se déroule surtout sur les campus et produit des données qui survivent rarement à l'épreuve d'une ligne de production réelle. Mener des études dans un site industriel en activité est assez lourd, sur le plan logistique et réglementaire, pour que la plupart des partenariats académie-industrie n'aboutissent pas. Un protocole documenté et réutilisable, issu d'un site pharmaceutique en exploitation, intéresserait donc les intégrateurs et les responsables sécurité qui déploient des AGV et des AMR près d'opérateurs humains. L'HRI est présentée comme l'un des derniers leviers importants pour améliorer la sécurité en automatisation industrielle. Cette affirmation reste celle de l'organisateur de l'événement. La valeur de la session dépendra de la qualité des données présentées, que l'annonce ne permet pas d'évaluer. Le profil des intervenants éclaire le contexte. Chez Eli Lilly, Faraz Yousuf travaille sur l'HRI, la sécurité robotique, la robotique d'inspection et l'intégration de systèmes dans des environnements de production pharmaceutique. Il a conçu, déployé et supporté des ASRS, des AGV, des AMR et des quadrupèdes d'inspection. Il contribue aussi aux comités de normalisation ANSI R15.08 partie 3, ISO 25785-1 et TR R15.108, consacrés à la sécurité des robots dynamiquement stables, catégorie qui inclut les robots à pattes et, à terme, les humanoïdes. Anastasia Kouvaras Ostrowski travaille sur la co-conception et la conception participative de robots et d'IA en contexte industriel, manufacturier et domestique, ainsi que sur les politiques encadrant ces technologies. Elle a été chercheuse postdoctorale au MIT Schwarzman College of Computing et au Personal Robots Group du MIT Media Lab, et est docteure en media arts and sciences du MIT. Cette session s'inscrit dans un salon qui réunit des développeurs de robotique commerciale, avec des offres de tarifs réduits pour l'académie, les associations et les groupes d'entreprises.

L'armée américaine teste des mulets robotiques autonomes pour le ravitaillement et l'évacuation en première ligne

L'US Army a retenu six entreprises pour développer des véhicules robotisés prêts à la production dans le cadre de l'Infantry Last Tactical Mile (ILTM), un programme visant à automatiser le transport de munitions et de matériel et l'évacuation de blessés près de la ligne de front. Les six participants, sélectionnés par des Other Transaction Agreements de prototypage, sont BLADE (ex-HDT), Maren-Go, Overland AI, Forterra, Hendrick's Motorsports et American Rheinmetall. BLADE présente le Hunter WOLF, un UGV (véhicule terrestre sans pilote) à six roues et motorisation hybride diesel-électrique, conçu pour l'infanterie légère et débarquée. Selon l'entreprise, il emporte de façon autonome jusqu'à 2 800 livres (1 270 kg), franchit des pentes de 60 % et des dévers de 40 %, alimente d'autres équipements en électricité et accepte différentes charges utiles, ce qui permet de le configurer pour le ravitaillement ou l'évacuation sanitaire. Les prototypes doivent être livrés pour des démonstrations, puis pour une évaluation opérationnelle avec une unité de l'Army début 2027. Cette sélection ne désigne pas un véhicule unique pour l'ensemble de l'Army. Il s'agit d'une compétition de prototypes dont les résultats serviront à fixer les exigences et à éclairer une éventuelle décision de production. Pour les intégrateurs et les décideurs, le signal est la priorité donnée à la logistique de dernier kilomètre, le segment entre les unités logistiques arrière et la ligne avancée des troupes amies (FLOT), où les soldats sont le plus exposés. Le vrai test sera la fiabilité de l'autonomie en terrain difficile et sous contrainte adverse, pas la démonstration en conditions favorables. BLADE qualifie le Hunter WOLF de système TRL 9, le niveau maximal de l'échelle de maturité technologique militaire, qui correspond à un système éprouvé en environnement opérationnel. C'est un argument commercial à nuancer, puisque l'Army évalue encore précisément si ces systèmes tiennent les missions de ravitaillement et d'évacuation. Le panel mêle un acteur historique de la robotique militaire, des spécialistes de l'autonomie off-road comme Overland AI et Forterra, un constructeur de défense (American Rheinmetall) et un nouvel entrant venu du sport automobile (Hendrick's Motorsports). BLADE aborde la compétition avec un avantage de maturité. Le Hunter WOLF est en service depuis 2017, a reçu des mises à jour en 2025 et a participé à plus de 60 exercices de terrain, avec des forces américaines (Marine Corps), australiennes et ukrainiennes, d'après l'entreprise. En mai, BLADE a livré des véhicules à la 10th Mountain Division à Fort Polk dans le cadre de l'effort Ground Optionally Autonomous Transport, où les soldats ont été formés à leur utilisation et à leur maintenance. L'entreprise fait aussi état d'évaluations en 2026 avec les 10th Mountain et 101st Airborne Divisions, ainsi que d'un événement en août avec la 82nd Airborne Division à Fort Polk, en Louisiane. Ces chiffres proviennent de BLADE et n'ont pas été vérifiés de façon indépendante. L'article ne mentionne aucun acteur français ou européen autre que la filiale américaine de Rheinmetall, ni de budget ni de volume de production. La suite dépendra de l'évaluation opérationnelle de 2027 et d'une éventuelle décision de production.