Deux équipes de chercheurs ont mis au point des dispositifs robotiques capables de récupérer des objets dans des endroits exigus ou complexes. Il s’agit d’un pas en avant pour la robotisation de tâches redondantes dans de nombreux domaines professionnels.

Localiser les objets puis les déplacer

Pourtant, l’avenir de ce type de robots semblait flou depuis la décision catégorique de Walmart. Le géant du retail américain a en effet annoncé qu’il se séparait de la flotte de robots qui assistait son personnel. L’une de leurs tâches principales consistait notamment à ranger les produits mal placés. Selon Walmart toutefois, cette alternative n’a ni permis de gain de temps, ni de gain d’argent, et la solution humaine a été jugée plus efficace. Il se pourrait néanmoins que l’avancée des recherches dans ce domaine relance l’arrivée des robots pour la mise en rayon, par exemple.

Des chercheurs de l’université de Berkeley en Californie ont ainsi développé +un système baptisé Lateral Access maXimal Reduction of occupancY support Area (LAX-RAY) et capable de prédire l’emplacement d’un objet dans des environnements latéraux comme des étagères, même si seule une infime partie de celui-ci est visible. Pour y parvenir, ils ont inséré trois manières différentes de rechercher dans le système, puis ont généré 800 environnements aléatoires de rayons. Ils ont ensuite déployé LAX-RAY sur une véritable étagère avec un robot Fetch (spécialement pensé pour les entrepôts), ainsi qu’une caméra intégrée.

Avec 87,3% d’efficacité, le système a été en mesure de déterminer l'emplacement des objets avec suffisamment de précision pour que le robot puisse les pousser. À l’avenir, les chercheurs souhaitent étudier des modèles de profondeur plus sophistiqués et surtout, ils veulent mettre au point des actions de traction utilisant des ventouses dans le but de soulever ou retirer les objets identifiés.

Des usages multiples pour remplacer les tâches redondantes

Les chercheurs de Google ont, quant à eux, conçu un dispositif nommé Contact-aware Online COntext Inference (COCOI). Basé sur le machine learning, il vise à intégrer les propriétés dynamiques d’objets physiques dans un cadre facile à utiliser, afin de déplacer ces derniers. Avec une simulation mais également un robot virtuel, COCOI est capable de pousser des objets vers un endroit ciblé sans pour autant les faire tomber. Si le système s’est montré très performant, les scientifiques veulent désormais l’utiliser sur des choses plus difficiles à manier, comme des vêtements.

Des robots capables de chercher des objets dans des environnements comme les étagères, les armoires et les placards auraient de très nombreux usages. Pour le moment toutefois, le défi technique que représentent de tels dispositifs reste important, mais ces deux travaux ouvrent la voie au déploiement de systèmes pouvant ranger des rayons, ou encore récupérer des objets sur les étagères de commerce.